.NET Core Experten in München

• KI-Integration (LLM & RAG): Konzeption und Aufbau eines internen, intelligenten RAG-Systems (Retrieval-Augmented Generation) auf Basis von LLMs, n8n und Vektordaten zur automatisierten Analyse technischer Dokumente und Fehlerprotokolle.
• Konzeption & Implementierung: Design einer robusten RS-232/UART-Kommunikationsschnittstelle für ein SBC-basiertes Embedded-Gerät zur Steuerung medizinischer Shaker-Systeme.
• Architektur & Protokolldesign: Umsetzung einer hochgradig wartbaren Softwarestruktur (OOP, SOLID) und Definition hardwarenaher, resilienter Kommunikationsprotokolle inklusive Multithreading und erweiterter Fehlerbehandlung.
• Qualitätssicherung & DevOps: Testautomatisierung mittels xUnit, Integrationstests direkt am Hardware-Target und Pflege der technischen Dokumentation nach strengen Medizintechnik-Standards via Azure DevOps.

Label: C#, .NET, LLMs, RAG, n8n, RS-232, UART, Multithreading, async/await, xUnit, gRPC/protobuf, Blazor, MudBlazor, EF Core, Visual Studio 2026, Azure DevOps

Einheitliches ITSM-Framework

• Definition eines konzernweiten ITSM-Zielbildes
• Einführung einer einheitlichen Service-Struktur über alle Fachbereiche

SLA- und OLA-Management

• Aufbau eines standardisierten SLA-Frameworks
• Definition von Serviceklassen (Business Critical, Standard, Low Priority)
• Einführung von OLAs zwischen internen Teams
• Aufbau eines aussagekräftigen SLA-Reportings
• Definition von KPI- und Service-Dashboards für Fachbereiche

Service Portfolio Management

• Definition von Servicebeschreibungen
• Ggf. Vorbereitung einer möglichen Kosten- und Leistungsverrechnung

Ticketing & Prozesse

• Incident Management
• Einheitliche Ticketkategorien
• Standardisierte Priorisierung
• Eskalationsmatrix
• Automatisierungen
• Self-Service-Optimierung

Request Fulfillment

• Servicekatalog über alle Fachbereiche
• Genehmigungsworkflows

Problem Management

• Einführung von Root-Cause-Analysen
• Known-Error-Datenbank
• Problem-Review-Prozess

Vollständiges Asset-Management-Konzept

• Hardware-Lifecycle-Management
• Software-Lifecycle-Management
• Leasing-Lifecycle
• Mobile-Device-Lifecycle
• Monitor-Lifecycle
• Telefon-Lifecycle

Prozesse

• Beschaffung
• Wareneingang
• Inventarisierung
• Zuweisung
• Rückgabe
• Entsorgung
• Leasing-Rückführung Ziel: Single Source of Truth für alle Assets

CMDB-Design

• Definition aller Configuration Items:
• Workplace
• Notebooks
• Monitore
• Mobiltelefone
• Drucker

Infrastruktur

• Server
• Firewalls
• Switches
• WLAN
• Storage
• Backup-Systeme

Cloud

• Azure-Ressourcen
• Microsoft 365
• SaaS-Dienste

Beziehungen

• User ↔ Asset
• Asset ↔ Service
• Service ↔ Infrastruktur
• Standort ↔ Asset
• Ziel: Vollständige Service-Abhängigkeiten sichtbar machen

Software Asset & Lizenz Management

• Lizenzmanagement-Konzept
• Lizenzbilanzierung
• Compliance-Reporting
• Microsoft-Lizenzmanagement
• Adobe-Lizenzmanagement
• SaaS-Management
• Vertragsmanagement
• Renewal-Management

Schnittstellen & Automatisierung Bestehende Systeme

• Workday
• Joiner
• Mover
• Leaver

TESMA

• Leasingdaten
• Vertragsdaten

Matrix42

• Asset-Synchronisation
• Benutzersynchronisation

Active Directory / Entra ID

• User Management

Microsoft 365

• Lizenzzuweisung
• Gruppenmanagement

Dormakaba

• Zutrittsprozesse

• Lifecycle Services

Monitoring-Plattformen

• PRTG
• Palo Alto
• Cisco

Reporting & KPI Framework

• Definition eines Management-Dashboards
• KPIs
• Ticketvolumen
• SLA-Erfüllung
• MTTR
• Erstlösungsquote
• Asset Accuracy
• Lizenz-Compliance
• Change Success Rate
• Service Availability
• Automatisierungsgrad

Netzwerk-Redesign-Begleitung

• Governance
• Begleitung des Netzwerk-Redesigns aus ITSM-Sicht
• Definition betroffener Services
• Change-Management-Struktur
• Kommunikationskonzept

CMDB-Integration

• Aufnahme aller Netzwerkkomponenten
• Service Mapping
• Abhängigkeitsanalyse

Validierung von Dokumentation und Knowledgebase-Artikeln

• Netzwerkdokumentation
• Betriebsdokumentation
• Standard Changes

Monitoring & Event Management

• Zielbild
• Zentrales Monitoring-Konzept
• Event-Management-Prozess
• Alarmierungsstrategie
• Eskalationsmodell

Systeme

• Cisco

• Palo Alto

• Fortinet

• Rubrik

• Veeam

• Matrix42

• Azure

• Microsoft 365 Automatisierung

• Ticketgenerierung aus Monitoring

• Eskalationen

• Standardmaßnahmen

Audit, Compliance & Informationssicherheit

• ISO-27001-Beratung
• TISAX-Beratung
• NIS2-Vorbereitung - Beratung
• Auditfähige Prozesse
• Dokumentationsstruktur
• Nachweisführung in Matrix42

Roadmap

• 12-Monats-Roadmap
• Priorisierung aller Maßnahmen
• Quick Wins
• Mittelfristige Projekte
• Langfristiges Zielbild
• Dokumentation

• Entwicklung des Audit-Logging-Frameworks
• Implementierung von APIs, die Entwickler in ihre Codebasen integrieren können
• Implementierung der Ingestion-Pipeline, der Datenbank-Abfrageschicht und der UI zum Durchsuchen der Audit-Events
• Verbesserung der Stabilität und Zuverlässigkeit des Backend-Systems

• Aufbau und Betrieb einer End-to-End-MLOps-Plattform auf Azure ML und Kubernetes (Kubeflow) zur automatisierten Bereitstellung, Überwachung und Skalierung von Forecasting-Modellen (u. a. Temporal Fusion Transformer, Informer, Autoformer).
• Implementierung von CI/CD-Pipelines in Azure DevOps für den vollständigen ML-Lifecycle – von Ressourcbereitstellung (Terraform), Datentransformation (Hugging Face Datasets, Pandas, PyTorch, CUDA-Cluster) über Training und Evaluation bis hin zu Model Registry und Endpoint-Deployment.
• Integration von MLflow für Experiment-Tracking, Modellversionierung, Performance-Monitoring und automatisierte Registrierung in der Azure Model Registry.
• Entwicklung und Containerisierung von PyTorch-Trainingsjobs (Azure Notebook, Jupyter Notebooks) für Preis- und Zeitreihenprognosen (PFC-Modelle) mit automatischem Rollout über Azure ML Endpoints und REST/gRPC-Schnittstellen, Docker-Containerisierung, Absicherung über OAuth 2.0.
• Einrichtung von Monitoring- und Alerting-Mechanismen (Prometheus, MLflow Metrics), Log-Zentralisierung und Kostenüberwachung.
• Automatisierung der Infrastruktur-Bereitstellung und Modellbereitstellung mittels Terraform, Helm und Azure CLI; Anbindung an bestehende Marktdatensysteme und Event-Pipelines.
• Migration bestehender Workloads und Datenbanken (IONOS → Azure, MongoDB) mit Integration in zentrale MLOps-Workflows und interne Netzwerke.
• Erweiterung der Plattform um LLM-basierte Tools (LangChain, LangServe) zur Integration von GPT-basierten Analysemodulen in bestehende Spring-Boot-Dienste für Marktanomalie-Erkennung und automatisierte Reports.
• Analyse, Architektur einer Softwarelösung zur effizienten Verarbeitung von Massendaten (>3000 Nachrichten/Sek.) (Market Data Store).
• Spring Boot / Java 21 Container-Entwicklung mit RabbitMQ zur Verteilung von Börsendaten über MongoDB (Kubernetes) mit Schnellspeicherung von Daten in Redis RMaps, Deduplizierung und Weiterleitung von Nachrichten an Read-Model-Queues, Aufbau von Read Models für die UI-Anzeige in MongoDB.
• Einbindung von RESTHeart zur Erzeugung einer REST API gegen MongoDB.
• Aufbau eines Angular-Frontends zur Vereinfachung der Datenabfrage und Stammdatenpflege.
• Agentic Coding mit remote und local LLM (Claude Sonnet, Ollama Qwen) und MCP-Servern.
• Entwicklung von Python-Skripten zur Transformation und Bereinigung eingehender Börsendaten (Pandas, scikit-learn).

• Betrieb und Erweiterung von Azure DevOps-Pipelines

• Betrieb und Erweiterung von AWS-Services

• Citrix (Windows 10, Bitwarden)

• AWS: ECR, EKS, CloudFront CDN, Route 53, VPC Peering und CNI-Upgrade, Atlas MongoDB, S3-Buckets, Hosting statischer Websites

• Azure: Build und Deployment mit DevOps-Pipelines

Durchführung einer unabhängigen technischen Bewertung einer KI-gestützten Softwareplattform, wobei KI-Risikoaudit, Cybersicherheitsanalyse und Prüfung der Softwarearchitektur kombiniert wurden. Prüfung von Anwendungskomponenten, APIs, Datenflüssen, LLM-Integrationen, Retrieval-Augmented Generation, Multi-Agenten-Orchestrierung, Authentifizierung, Mandantentrennung, Abhängigkeitsschwachstellen, KI-Governance und Kontrollen des Modelllebenszyklus. Erstellung eines technischen Auditberichts mit strukturiertem Risikoregister, Quellcodebelegen, regulatorischen Referenzen, Korrekturmaßnahmen, Inventar der KI-Systeme, Risikoklassifizierung, Maßnahmenplan und Key Risk Indicators.

Technologien: TypeScript, JavaScript, React, Next.js, Node.js, REST APIs, MongoDB, Redis, AWS serverless services, OAuth 2.0 / OpenID Connect, LLM APIs, RAG, vector search, multi-agent orchestration, Model Context Protocol, C4 architecture modelling, threat modelling, NIST AI RMF, ISO/IEC 42001, ISO/IEC 23894, OWASP guidance, MITRE ATLAS

• Konzeption und Umsetzung einer Laravel-Backend-API für anbieterbasierte Geo-Suche, Feature-Details, Boundary-Geometrien und Nachbarschaftsermittlung.
• Die API dient als serverseitige Proxy-, Cache- und Anreicherungsschicht, schützt Zugangsdaten externer Geodienste und speichert Features, Lokalisierungen, Geometrien, Hierarchien und Nachbarschaftsbeziehungen persistent in MariaDB.
• Schwerpunkte waren Normalisierung von Autocomplete- und Feature-Daten, Cache-Strategien für teure Boundary-/Polygonabrufe, Spatial-Verarbeitung von GeoJSON- und MultiPolygon-Geometrien sowie Nachbarschaftsermittlung über Hierarchien, Bounding-Box-Filter und Topologieprüfungen.
• Ergänzend entstanden getrennte Produktiv- und Diagnoseendpunkte, Status- und Fehlerkataloge, Discovery-Protokollierung, Docker-Entwicklungsstack, API-Dokumentation sowie Unit- und Feature-Tests.
• Technologien: PHP 8.3, Laravel, REST API, Geodaten-API, GeoJSON, MariaDB Spatial, Eloquent, Laravel Queues, PHPUnit, Mockery, Docker, Docker Compose, API-Design, Geocoding, Boundary-Daten, Spatial Queries.

• Weiterentwicklung der internen Plattform „ECockpit“ mit Frontend Angular 17 und Backend .NET (C#)
• Pflege und Weiterentwicklung der Azure DevOps Pipelines
• Einführung technischer Verbesserungen in Build- & Release-Prozessen
• Mitarbeit an modularem Architekturansatz (Clean Architecture & DDD)
• Fokus auf Skalierbarkeit und sichere Datenverarbeitung
• Tech-Stack: Angular 17, .NET / C#, Azure, Azure DevOps, Git, CI/CD, Clean Architecture, Domain Driven Design

• Implementierung von Microservices in C# unter Verwendung von dapr und Docker für ein System zum Austausch von Analysenanträgen und Ergebnissen zwischen Laborsystemen
• Implementierung eines Testautomatisierungsframeworks mit C# und SpecFlow für dieses System
• Build und Release Management mit GitLab
• Evaluierung von Laborsystemen bezüglich Erweiterbarkeit (mittels Python) und Integration

• Architektur, Design und Weiterentwicklung einer hybriden Lösung bestehend aus Java-Backend mit REST-API und C# / WPF-Frontend
• Entwicklung sicherer, verteilter Funktionen zur klassifizierten Nachrichten-Verarbeitung, -Kategorisierung und -Verschlüsselung
• Integration von Backend-Services mit Dokumentenmanagementsystemen (DMS) zur strukturierten Ablage von Dateien
• Planung, Aufbau und kontinuierliche Optimierung von Azure DevOps Pipelines zur automatisierten Bereitstellung und Qualitätssicherung verteilter Anwendungen im sicherheitskritischen Umfeld
• Technische Abstimmung mit Projektverantwortlichen der Bundeswehr und Drittanbieter relevanter Softwares und Schnittstellen und Dokumentation der entwickelten Lösungen

• Weiterentwicklung von Excel-Formblättern für die Elektroindustrie
• Konzeption und Entwicklung neuer Auswertungsfunktionen
• Erweiterung der Excel-Formblätter zur Auswertung von Daten
• Einsatz von Excel und VBA

Im Rahmen einer Eigenentwicklung wurde – als zweite Stufe des vorgelagerten Systems zur Projektbeobachtung – eine Pipeline zur automatisierten Lead-Generierung erstellt. Aus einer Liste von Freelance-Projekt-URLs (freelancermap) werden qualifizierte Lead-Datensätze inklusive Firma, Ansprechpartner, offizieller und personenbezogener E-Mail-Adresse sowie passender Anrede (Du/Sie) erzeugt. Als Technologien kamen Python (openpyxl, requests) sowie ein LLM-Agent-Workflow in VS Code (GitHub Copilot Chat) mit eigenem Slash-Command und umfangreichem Regelwerk zum Einsatz; für die Recherche werden Such-APIs (Serper.dev) angebunden. Zu meinen Aufgaben gehörte die gesamte Konzeption und Entwicklung. Kern ist ein rund 480 Zeilen umfassendes Regelwerk, das den LLM-Agenten deterministisch durch Extraktion, Website- und E-Mail-Ermittlung, Dublettenabgleich (gegen bestehende Provider-Listen) und die Erzeugung eines strukturierten JSON-Outputs führt. Deterministische Teilschritte (Excel-Abgleich, Web-/E-Mail-Suche, Pattern-Ableitung) wurden in Python-Helper-Skripte ausgelagert. Zu den weiteren Anforderungen zählten die Validierung der Ergebnisse über versionierte Blind-Runs gegen eine Referenz, die iterative Verfeinerung des Regelwerks sowie ein austauschbarer Such-Provider-Layer aus Kosten- und Stabilitätsgründen.