Git-Experten

Ich habe eine Self-Service-AWS-Plattform für Data-Science-Teams mit wenig oder keiner Erfahrung mit Infrastructure as Code entworfen und entwickelt. Ein Team schreibt etwa 10 Zeilen Python und erhält einen bereitstellbaren Stack mit vollständigem SDLC-Release-Zyklus, der bereits den Governance-Regeln folgt. Netzwerk, Verschlüsselung, IAM und Tagging werden von der Plattform festgelegt, nicht von jedem einzelnen Team.

Neue Teams oder AWS-Konten werden mit einem Pull Request eingebunden. Die Vermeidung von Verschwendung und die Kostenkontrolle sind standardmäßig integriert: Data Scientists benötigen keine Infrastrukturkenntnisse.

• Construct-Bibliothek (AWS CDK, Python). Aufbau eines versionierten Katalogs mit etwa 20 gehärteten Constructs für den Einsatz in Data-Science-Projekten mit ML-Kontext
• Governance as Code
• Multi-Account, Multi-Tenant
• Scaffolding für den Golden Path
• CI/CD und Supply Chain. Erstellung wiederverwendbarer GitHub-Actions-Workflows
• Release Engineering
• Qualitätssicherung mit E2E-, Contract- und Unit-Tests bei jedem Release Candidate

• Untersuchung des Zusammenhangs zwischen Wirbelstromprüfsignalen (ECT) und mikrostrukturellen Eigenschaften
• Erkennung verborgener Muster in ECT-Daten, die grundlegende Materialeigenschaften widerspiegeln
• Entwicklung und Validierung prädiktiver Modelle zur Klassifizierung und Quantifizierung der Mikrostruktur unter Verwendung von Härte und Randschichthärtetiefe als Referenzwerten
• Anwendung der Bayes'schen Strukturgleichungsmodellierung für fortgeschrittene Datenanalysen

AI Readiness - Part 3: Erstellung eines E-Books zum Einsatz von KI im Softwaretest

• Konzeption und Erstellung eines E-Books zum sinnvollen und sicheren Einsatz von KI im Softwaretest aus Sicht eines erfahrenen Testexperten.
• Einsatz generativer KI (ChatGPT, Perplexity Pro) als Sparringspartner für Strukturierung, Formulierungsvorschläge und Variantenbildung; abschließende fachliche Bewertung und Freigabe aller Inhalte durch eigene Expertise.
• Ausarbeitung praxisnaher Chancen und Risiken von KI im Test, mit besonderem Fokus auf die Zusammenarbeit zwischen Testern und KI statt „Tester vs. KI“.
• Titel: „11 starke Gründe: Dream-Team statt Rivalen - Tester und KI sind gemeinsam unschlagbar“
• Untertitel: „Wie Mensch und Maschine im Softwaretest das perfekte Team bilden – und warum reines KI-Testing riskant ist.“
• Geplante Nutzung des E-Books als Grundlage für Workshops, Kundengespräche oder interne Schulungen.
• Technik: Generative KI, ChatGPT, Perplexity Pro, Microsoft Word, Adobe Acrobat, langjährige Praxiserfahrung im professionellen Testing, gesunder Menschenverstand.

• Erweiterung einer Swing-basierten UI zur Erfassung von Security Restricted Articles bei der Gepäckkontrolle.
• Einführung eines neuen Workflows zur Erfassung von Deboarding Events.
• Erweiterung des Berichtssystems für Security Restricted Articles und Deboarding Events.
• Implementierung erfolgt unter Einsatz von JBoss Wildfly, PostgreSQL, spring-boot 3.x, Java 8/21, Swing, JSF, JAX-RS/Resteasy, Docker, Maven, Kiro.

Projekt – Evaluierung und Aufbau von Datenbanken für eine neue Produktlinie für einen Messgeräte Hersteller

• Ist Analyse
• Anforderungsanalyse der Datenhaltungsschicht
• Schreiben von Benchmark Tests
• Design der neuen Datenbankschema
• Datenbankmigrationen
• Aufbau eines Audit-Logging und Part11
• Erstellen der Backup- und Recovery-Konzepte
• Design der API der Persistenzschicht
• Schreiben von Unit-Tests
• Erstellen von Requirements Azure

Tools: C#, Visual Studio 2022, Azure DevOps, SonarQube, Git, RestSharp, WebServer, PostgreSQL, MS SQL, SQLite, MinIO, Podman, Docker, DataGrip, SQL Management Studio, HeidiDB, pgAdmin

Arbeitsumfeld

• Versicherung / Schadenmanagement (Sach, Haftpflicht, Kfz)
• REST-basierte ClaimAPI mit Guidewire ClaimCenter

Aufgabenbereich

• Weiterentwicklung der internen REST-basierten ClaimAPI mit Guidewire ClaimCenter als Backend und verschiedenen Portalen / Frontends als Clients mit folgenden Zielen: + stärker KI-gestützte Schadenbearbeitung außerhalb von Guidewire ClaimCenter + Unterstützung aller Sparten (Sach, Haftpflicht, Kfz).
• Weiterentwicklung der automatisierten Schadenbearbeitung

Tätigkeiten

• Schnittstelle zwischen IT und Business
• Design-Aktivitäten mit Dokumentation in Confluence und Jira: + Requirements Engineering (funktional und nicht-funktional) + Design von REST-Endpunkten und Abstimmung mit Interface-Partnern (insbesondere KI-Kollegen) + Identifikation, Design und Bewertung alternativer Lösungen (Abkehr vom monolithischen Ansatz hin zu fein granularen Endpunkten mit möglichst umfangreicher Code-Wiederverwendung über alle Sparten) + Erstellung / Verfeinerung von Product-Backlog-Items in Jira, d. h. Epics, User Stories und Tasks, einschließlich Abstimmung mit Entwicklern und POs während (Pre-)Refinement-Sessions + Nutzung von AXA Secure GPT bei der Erstellung / Verfeinerung von User Stories (Beschreibung, Abnahmekriterien) und beim Design von REST-Endpunkten + Schätzung und Priorisierung von User Stories und Tasks während Sprint-Planning-Sessions + Koordination und Unterstützung bei der Umsetzung von Product-Backlog-Items + Vorantreiben von Entscheidungen durch Vorbereitung und Präsentation von Entscheidungsunterlagen
• Qualitätssicherung: + Testmanagement einschließlich Erstellung von Testfällen mit Xray in Jira + Testdurchführung mit Bruno als REST-Client und in Guidewire ClaimCenter + Vorlage von Testartefakten zur Freigabe durch den PO + Analyse von Fehlern in der Produktion

Methoden Big Room Planning (auch PI-Planning in SAFe), Scrum, BPMN, EPK, UML, ERM, DDD

Tools / Tech Stack Teams, Confluence, Jira mit Xray, OpenAPI/Swagger, REST, JSON, XML, MS Office, Bruno, GitHub repository (Lesen), Guidewire ClaimCenter, AXA Secure GPT (AXA's hauseigene GenAI-Lösung auf Basis von Azure OpenAI)

• Konzeption und Entwicklung einer produktionsreifen Data Platform auf Basis von Microsoft Fabric für ein E Commerce Unternehmen
• Aufbau einer skalierbaren Medallion Architektur (Bronze, Silver, Gold) mit Lakehouse und Delta Lake als Grundlage für Analytics und AI Anwendungen
• Entwicklung einer metadata driven ETL Plattform mit PySpark sowie eines generischen Incremental Loading Frameworks (SQL Server → Bronze → Silver → Gold)
• Entwicklung wiederverwendbarer Komponenten für Microsoft Fabric Notebooks zur Standardisierung von Datenintegration, Transformation und Validierung
• Implementierung automatisierter Data Pipelines inklusive Monitoring, Logging, Fehlerbehandlung und Delta MERGE Strategien für einen stabilen produktiven Betrieb
• Aufbau einer Business Layer Architektur für Reporting, Data Warehouse und wiederverwendbare Datenprodukte
• Integration heterogener Datenquellen über SQL Server, REST APIs, Amazon SP API und Google Analytics 4
• Enge Zusammenarbeit mit Fachbereichen zur Analyse fachlicher Anforderungen und Übersetzung in skalierbare Datenarchitekturen

Technologien: Microsoft Fabric, PySpark, Python, SQL Server, Delta Lake, Lakehouse, OneLake, Data Factory, Data Warehouse, REST APIs, Amazon SP-API, Google Analytics 4

• Aufbau einer Datenintegrationsplattform für Hoch-, Mittel- und Niederspannungsassets zur kontextuellen Analyse von Zeitreihen mit Stammdaten aus SCADA-Leitsystem (IEC 60870 104), INIS und SAP.
• Verantwortung für Architektur und Implementierung der Lösung sowie Sparringpartner für den Product Owner.
• Einsatz von Kotlin, Spring Boot, Maven, TimescaleDB, PostgreSQL, liquibase, Elements IoT, Docker, Kubernetes, Grafana, Python, jupyter und verschiedenen API Gateways.

Weiterentwicklung der integrierten Kapazitätsmanagement–Plattform InKa

Schieneninfrastruktur

• Power BI Shared Datasets und Berichte per DirectQuery auf Amazon Redshift (Fahrplan-, Bau-, Kapazitätsdaten)
• Automatisierte Berichtstests mit Playwright in Docker-Containern, Versionierung mit GitLab
• Konzept und Umsetzung der Anwenderkommunikation (Infoseite, Changelog, Known Bugs)

Ausgangslage:

Die integrierte Kapazitätsmanagement-Plattform (InKa) ist eine Monitoring- und Analyseplattform für Daten aus Fahrplan und Kapazitätsmanagement: Kundenbestellungen, Infrastruktur, Fahrplanbetrieb, Bau sowie Streckenleistungsfähigkeit und -breite. Die Daten werden in einem strukturierten Data Warehouse abgelegt und miteinander verknüpft. So lassen sich komplexe Kennzahlen über verschiedene Quellsysteme hinweg bilden und die aktuelle und künftige Streckenauslastung sowie das netzweite Baugeschehen darstellen. Ziel ist, die strategische, mittelfristige und unterjährige Planung zu verbessern und den Nutzenden einen niederschwelligen Zugang zu den Auswertungen des Kapazitätsmanagements zu geben.

Maßnahmen:

• Enablement: Einführung von Power BI mit Trainings und Workshops für Entwicklerteams.
• Beratung & Konzeption: Problemanalysen, Konzepte und Lösungsberatung zu Reporting-Anforderungen; Umsetzung der Planungen für Reporting-Lösungen.
• Datenmodell: Entwicklung von Shared Datasets mit DirectQuery auf Amazon Redshift und Import-Tabellen; DAX-Measures für Auslastungs- und Kapazitätskennzahlen.
• Entwicklung: Datenanalyse, Datentransformation und Visualisierung in Power BI; Erweiterung und Migration von Geschäftsanwendungen nach Power BI; KI-gestützte Entwicklung in VS Code mit GitHub Copilot.
• Testautomatisierung: Automatisierte Tests der Power-BI-Berichte mit Playwright; Aufsetzen der Testumgebung in Docker-Containern.
• Anwenderkommunikation: Konzept und Umsetzung einer zentralen Informationsseite mit Hot News, Changelog und Known Bugs, Absprung aus den Berichten mit Berichtsfilter, Aktualisierung per Power Automate.
• Deployment: Verwalten der Power BI Deployment Pipelines über die Umgebungen DEV, TEST und PROD.
• Agile Arbeitsweise: Arbeit im agilen Team nach SAFe (Scaled Agile Framework); Refinement von User Stories und Features inklusive Aufwandsschätzung in Jira; Versionierung mit Git und GitLab.
• Qualität & Dokumentation: Reviews zur Qualitätssicherung, Fehleranalyse und -behebung, technische Dokumentation in AsciiDoc und Confluence.

Technologien: Power BI, DAX, Power Query, DirectQuery, Amazon Redshift, Git / GitLab, Deployment Pipelines, Playwright, Docker, AsciiDoc, Power Automate, Jira, Confluence, VS Code mit GitHub Copilot, SAFe

Ergebnisse:

• Kennzahlen des Kapazitätsmanagements über mehrere Quellsysteme hinweg in einer Plattform
• Transparenz über aktuelle und künftige Streckenauslastung und netzweites Baugeschehen
• Niederschwelliger Zugang zu den Auswertungen für die Nutzenden
• Automatisierte Regressionstests der Power-BI-Berichte
• Umgesetzte Anwenderkommunikation: zentrale Infoseite mit Hot News, Changelog und Known Bugs, direkt aus den Berichten erreichbar

• Optimierung der Datenarchitektur (Medallion) für eine bessere Entkopplung der Verarbeitungsschritte und bessere Transparenz und Reproduzierbarkeit

• Technische Qualitätssicherung der Datenverarbeitung in Databricks durch Einführung von Schema Enforcement, Datenqualitätschecks und strukturierter Datenarchitektur

• Pipeline-Orchestrierung mit Azure Data Factory

• Professionalisierung und Automatisierung des Entwicklungs- und Deploymentprozesses durch Integration von Git und GitHub Actions

• Fachliche Führung des Data Engineering Teams (3 Mitarbeitende)

• Leitung von Workshops zur Optimierung und Stabilisierung der Datenplattform und des Entwicklungsprozesses

• Aufnahme und Priorisierung neuer Anfragen, Pflege des Produktbacklogs

• Technologien: Microsoft Azure (Data Lake, Data Factory), Databricks, Apache Spark (PySpark), Python, SQL, Git, Confluence, Power BI, Power Apps, Dataverse, MS Sharepoint, Mural

• Entwicklung skalierbarer Backend-Anwendungen mit C#/.NET und Java
• Konzeption und Umsetzung verteilter Microservice-Architekturen
• Entwicklung und Integration von REST-APIs für industrielle Anwendungen
• Entwicklung moderner Webanwendungen mit React, Angular und TypeScript
• Implementierung von MQTT-basierten Kommunikationslösungen
• Integration industrieller Protokolle wie OPC UA und Modbus TCP
• Entwicklung von Batch-, Prozesssteuerungs- und HMI-Komponenten
• Containerisierung und Deployment von Anwendungen mit Docker
• Durchführung von Code Reviews und Unterstützung bei Architekturentscheidungen
• Enge Zusammenarbeit mit Product Ownern, QA und interdisziplinären Teams
• Analyse fachlicher Anforderungen und Umsetzung technischer Lösungen
• Weiterentwicklung bestehender Softwarearchitekturen mit Fokus auf Wartbarkeit und Performance

Technologien: C#, .NET, ASP.NET Core, Java, C++, React, Angular, TypeScript, Vue.JS, MQTT, OPC UA, Modbus TCP, Docker, GitLab, MariaDB, MySQL, Linux

• Entwicklung eines unternehmensweiten, auf Fabric basierenden Governance-Frameworks für Datenprodukte, Erstellung von Datenverträgen und KPIs zur Schemavalidierung, um Vollständigkeit, Aktualität und SLA-Standards für Reporting-Datenprodukte sicherzustellen.
• Einführung von Pipeline-Observability durch die Integration von Daten aus der Dagster-Orchestrierung in automatisierte Data-Health-Reports sowie proaktive Validierung von Datenintegrität und Pipeline-Zuverlässigkeit, bevor sich die Reporting-Schichten in der Produktion aktualisieren.
• Etablierung von BI-as-Code und einer durchgängigen Governance mit Git-basierter Versionskontrolle, CI/CD und Alpha→GA-Release-Management, wodurch Lineage, die Erkennung von Schemaänderungen und die Nachverfolgbarkeit von Änderungen in der Produktion verbessert wurden.

• 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.