Flask Experten

• Claude-Code-Subagenten, MCP, Pydantic V2, pytest, bandit

• 3 spezialisierte Agenten entwickelt und produktiv eingesetzt, die die Arbeit entlang einer Kette weitergeben: Ein Forschungsagent erstellt eine zitierte Implementierungsspezifikation, ein Coding-Agent entwickelt den modularen Code und seine Tests, und ein Review-Agent bewertet die Ergebnisse nach Schweregrad und setzt die Korrekturen um. Jede Übergabe erfolgt als strukturiertes Dokument, sodass keine Phase vom Kontextfenster eines anderen Agenten abhängt.

• Den Forschungsagenten mit einem MCP-Server für akademische Recherche verbunden (Semantic Scholar, ArXiv, Hugging Face Hub, Zitationsverfolgung), sodass jede Referenz auf ein Tool-Ergebnis und nicht auf das Modell zurückgeht. Commits hinter ruff, mypy, pytest und bandit abgesichert, menschliche Freigabe vor Installationen und Commits verlangt und den Sitzungsstatus auf der Festplatte gespeichert, damit lange Läufe einen Kontext-Reset überstehen.

• Machine Learning, BI und Big Data für Master-Studierende unterrichtet.

Technologien: Python, Power BI, SQL, ML, SnowflakeDB, databricks, MS Fabric, MongoDB, LLM

Reifung ihrer API-Praktiken sowohl auf Business- als auch auf Technologieebene. Meine Rolle umfasst Strategie, Architektur, Developer Advocacy sowie hands-on Software Engineering und ermöglicht es sowohl technischen Teams als auch dem Business-Management, API-zentrierte Prinzipien effektiv zu übernehmen und anzuwenden. Gleichzeitig etablieren wir mit diesem Projekt auch GitOps, DX und Platform Best Practices.

Highlights:

• Abstimmung mit Executives auf die Initiative durch Klarstellung der Strategie, Ersetzen von Missverständnissen und Mythen durch Fakten, Verdeutlichen des Werts bestehender Assets und Ermöglichen fundierter Entscheidungen
• Entwicklung eines Vorgehens für das API Lifecycle Management bei OTTO
• Vorantreiben des Plattformfortschritts und Förderung des Entwicklerengagements durch hands-on Engineering-Arbeit in Richtung strategischer Ziele

API Lifecycle Management, Team Topologies, Organizational Evolution, Regulatory, Platform Advocate, Developer Platform, Communities of Practice, Terraform, Kotlin, Kafka, Kong, WSO2, Apigee, Gravitee, Backstage, AsyncAPI, OpenAPI, API Design, AWS, React, Node.js, TypeScript, Redocly, Reactive Programming, CDC, Golang, Gin-Gonic, GitOps, DX (Developer Experience), Stakeholder Management, Roadmaps, Workshops, Discovery.

Entwicklung Python-basierter KI-Microservices und Integrationen für eine AEC/VR-SaaS-App auf Unity-Basis, mit Schwerpunkt auf LLM/VLM-Funktionen, retrievalgestützten Systemen, RESTful APIs, containerisierter Bereitstellung und einem Automatisierungs-Microservice für die CAD-zu-Unity-Pipeline.

• Entwicklung eines eigenen, auf Hybrid A* basierenden Algorithmus in C#, um Krankenhausszenarien zu simulieren, Konflikte in frühen Entwurfsphasen anhand von Kollisions- und Raumdaten zu erkennen und strukturierte Berichte zu erstellen.
• Lösung und Automatisierung des zeitaufwendigen Problems, CAD-Dateien in nutzbare Unity-Umgebungen umzuwandeln – mit einer speziell entwickelten Echtzeit-Pipeline und einer ZeroMQ-basierten Kommunikationsschicht zur Verteilung von Aufgaben auf mehrere Prozesse und für Echtzeit-Performance.
• Entwicklung einer Docker-basierten FastAPI-Pipeline zur Automatisierung von CAD-zu-Unity-Prozessen, die visuelles Objekt-Matching, Bild-Embeddings und vorab berechnete Metadaten kombiniert, um CAD-Objekte automatisch Unity-Verhaltensskripten zuzuordnen, Eigenschaften zuzuweisen und wiederholte KI-Inferenzaufrufe zu reduzieren.
• Erstellung von Dokumentationen und Beispielen, damit technische Nutzer die KI-Automatisierungspipeline verstehen, konfigurieren und erweitern können.

• Entwicklung eines KI-gestützten Projektorganisationstools für ein Tiefbauunternehmen, das Projekt-, Aufgaben-, Ausschreibungs-, Terminund Dokumentendaten intelligent über einen Knowledge-Graphenverknüpft.
• Implementation von KI-Funktionen zur Dokumentenanalyse, Informationsextraktion, kontextbezogenen Assistenz und sprachbasierten Datenerfassung auf Basis von Microsoft Azure AI, wodurch administrative Aufwände reduziert, Informationen schneller zugänglich gemacht und Projektteams bei Entscheidungen unterstützt werden.
• Technologie-Stack: Python, React, TypeScript, FastAPI, Claude Code, Codex, Graphify, PostgreSQL, Microsoft Azure AI Foundry, Azure OpenAI, Azure AI Speech, Azure AI Document Intelligence, Microsoft Graph, Microsoft Entra ID, Docker, Git, CI/CD.

Echtzeit-Erkennung von AWS-Bedrohungen mithilfe von LLMs, UEBA und Vektoranalysen

• UEBA-Engine entwickelt, die Millionen von CloudTrail/GuardDuty-Ereignissen verarbeitet, um Verhaltensanomalien in Echtzeit zu erkennen.
• Amazon Bedrock LLMs für die narrative Bedrohungsanalyse und die strukturierte, automatisierte Zusammenfassung von Vorfällen integriert.
• Pipeline für Vektor-Embeddings (MongoDB Atlas) zum Vergleich des Verhaltens von Entitäten und zur Erkennung semantischer Anomalien entwickelt.

Technologien: Python, FastAPI, AWS, MongoDB Atlas, Amazon Bedrock, Pydantic, Motor (Async).

• Konzeption und Bereitstellung von End-to-End-Machine-Learning-Pipelines für Klassifizierungs- und Prognosedatensätze mit Sicherstellung von Robustheit und Reproduzierbarkeit durch Best Practices im MLOps-Bereich.
• Direkter Beitrag zur Verbesserung der Genauigkeit von LLM-Modellausgaben durch die Entwicklung und Ausarbeitung spezialisierter Prompts auf Grundlage der Logik von End-to-End-ML- und SciML-Pipelines.
• Entwicklung von Trainingsdaten für große Sprachmodelle durch die Formulierung von Programmieraufgaben, die von den Modellen nicht gelöst werden konnten, sowie anschließende Dokumentation der korrekten Lösungen.

• Zentrale Unternehmensplattform LINK konzipiert und entwickelt: Aufgaben, CMS, Shop, Academy, Bilddatenbank, Flottenakte und KI-Assistent in einem gemeinsamen Datenmodell auf PostgreSQL.
• Transformation gewachsener Insellösungen in eine Cloud-Architektur begleitet; bestehende Datenlandschaft analysiert und schrittweise migriert.
• Interne und externe Datenquellen über APIs und Webhooks integriert: Microsoft 365, Shop mit Buchhaltungsanbindung, Herstellerdaten.
• KI-Assistent für Wissenszugriff und Dokumentenanalyse umgesetzt, inklusive Freigabeprozess vor dem Versand.
• Website mit 49 Seiten SEO-sicher migriert und neu aufgebaut; datengetriebene Tools (Drone Finder, Permit Finder) und Lead-Formulare live gebracht.
• Schnittstelle zwischen Geschäftsführung, Betrieb und IT: Prozessanalyse vor Ort, Anforderungen in technische Lösungen übersetzt, Team ohne digitale Routine bei der praktischen Arbeit geschult.

Statistischer Prognosealgorithmus

• Verbesserung eines statistischen probabilistischen Prognosealgorithmus für Umsätze + Evaluierung
• Migration von R/On-Premise zu Python/Snowflake
• Überführung in den Produktivbetrieb auf Snowflake in Zusammenarbeit mit Data Engineers & DevOps

Monitoring-Dashboard

• Data Engineering zur Aufbereitung & Bereitstellung notwendiger Daten/Ressourcen auf Snowflake
• Entwicklung & Bereitstellung eines Streamlit-Dashboards in Snowflake

ML-basierte probabilistische Prognosen auf Vertex AI

• Entwicklung eines ML-basierten probabilistischen Prognosealgorithmus von Grund auf
• Implementierung einer MLOps-Pipeline in Kubeflow auf Google Cloud Vertex AI

Tech Stack: Python, Snowflake/Snowpark, R, Streamlit, Gitlab/Gitlab CICD, Terraform, Google Cloud, Vertex AI (aiplatform SDK, gcloud CLI, Feature Store, Model Registry usw.), kubeflow

• Aufbau, Implementierung und Vertrieb von automatisierten Data-Science-Lösungen wie Scorecard Factory und Prognose Factory
• Implementierung automatisierter End-to-End-Cloud-Prozesse
• Entwicklung von LLM- und NLP-Modellen
• Erstellung interaktiver Reports
• Betreuung nationaler und internationaler Großkonzerne sowie mittelständischer Firmen bei der Implementierung von ML-Projekten

Tätigkeit:

• Design und Aufbau eines Proof-of-Concept (PoC) für eine zukunftsfähige Virtualisierungsplattform unter Berücksichtigung sicherer Systemarchitekturen
• Bewertung des Ist-Standes bestehender Infrastrukturen und Erarbeitung von Auswahl- und Bewertungskriterien für die geeignete OS-Virtualisierungsplattform
• Durchführung der Anforderungsanalyse mit nachfolgender Erstellung und Priorisierung von Tickets im Ticketsystem
• Fertigstellung und kontinuierliche Vervollständigung einer Tool-Bewertungsmatrix basierend auf PoC-Ergebnissen
• Unterstützung des Wissensaufbaus im Team durch nachvollziehbare Dokumentation der Vorgehensweise und Ergebnisse in Confluence
• Enterprise-Analyse der Bestandshardware (Erstellen verschiedener BoMs)

Technologien: Vmware, Vmware Aria Operations, Osism, Canonical OpenStack, FishOs, Linux, Terraform, Ansible, Confluence, Alma

• ▶ Echtzeit-Sprachassistenten entwickelt (STT → LLM → TTS-Pipeline), mehrere STT-Anbieter einschließlich faster-whisper und Azure Speech getestet und bewertet. Latenz von unter 3 Sekunden erreicht, Groq API (Llama 3) mit Multi-Turn-Speicher eingesetzt – einschließlich direkter Behandlung von Sonderfällen bei Diktaten sowie der Erkennung von Namen und Zugangscodes.

Entwurf und Entwicklung einer KI-gestützten Automatisierungsplattform mit n8n, um Social-Media-Nischen zu analysieren, Zielgruppen zu erkennen und die Generierung von Marketingstrategien zu automatisieren. Die Lösung kombinierte KI-Agenten, Workflow-Orchestrierung und Datenanalyse, um Rechercheprozesse zu automatisieren und datenbasierte Erkenntnisse zu erzeugen.

• Komplexe Automatisierungs-Workflows mit n8n entworfen und umgesetzt
• KI-gestützte Analyse-Agenten für Markt- und Zielgruppenrecherche entwickelt
• Mehrere APIs und KI-Services in automatisierte Workflows integriert
• Automatisierte Analyse-Pipelines für Markt, Wettbewerber und Zielgruppen aufgebaut
• Large Language Models (LLMs) für Zusammenfassung, Klassifizierung und Priorisierung von Informationen genutzt
• Plattform mit Docker containerisiert und bereitgestellt

Technologien: n8n, AI Agents, OpenAI APIs, Prompt Engineering, LLMs, Docker, Linux, REST APIs, Webhooks

• Tätigkeit als technischer Berater zur Optimierung mehrschichtiger Ensemble-Modelle, die ResNet, CNN-BiGRU-Attention und XGBoost kombinieren.
• Begleitung der Implementierung eines Logistic-Regression-Meta-Learners zur Lösung von Problemen mit unausgeglichenen Klassen; dabei wurden 92.86% Genauigkeit und 0.9644 AUC bei den Datensätzen PTB-XL und Chapman-Shaoxing erreicht.