GitHub 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

• Entwicklung eines Pilot-Systems zur Steuerung und Überwachung mehrerer GoPro-Kameras
• Umsetzung von Start-, Stop-, Status-, Medien-, Download- und Diagnosefunktionen über COHN-Endpoints
• Realisierung von Kameraerkennung, Einzel- und Gruppensteuerung sowie stabiler Session-/KeepAlive-Logik
• Aufbau einer Download-Pipeline mit Queue, Retry-Handling und temporären Dateien
• Konsistente Session-, Ordner- und Dateibenennung für Mehrkamera-Aufnahmen
• Integration von Provisionierung, Zertifikaten und Netzwerkbetrieb

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)

• Browserbasierte Plattform für die codefreie Bereitstellung und Verwaltung von Kubernetes-Clustern entwickelt
• CLI in Typescript entwickelt, um Ressourcen im Cluster bereitzustellen, ohne die Browser-Oberfläche zu verlassen.
• DevSecOps-Pipelines implementiert: Image-Scanning, SBOM, Richtliniendurchsetzung und Supply-Chain-Sicherheit sowie Kyverno eingesetzt. IAM-Integration für das Befehlszeilen-Tool implementiert.
• Rollen- und Berechtigungsmodelle für Keycloak, oAuth/OIDC und Social-Login-Abläufe entworfen.
• LLM verwendet, um Benutzerabsichten in Diagramme umzuwandeln.
• An der Integration mehrerer Sovereign-Clouds wie stackIt, Hetzner, CIVO und UpCloud sowie öffentlicher Clouds wie AWS, GCP und Azure gearbeitet
• Der Technologie-Stack umfasst Java, SpringBoot, Kubernetes, OpenAI, Kubernetes-Multi-Tenancy mit vCluster, Karpenter, RBAC für CLI, Helm und React

TOURISMUS

colle-il-diaccino.de · Ferienunterkünfte

• Website konzipiert, gestaltet und entwickelt: interaktive Geländeansicht, Unterkunftsvergleich und Bildergalerien.
• Deutsche, englische und italienische Sprachversionen umgesetzt. Anfrageformulare mit Eingabeprüfung und Spam-Schutz, sprachabhängige SEO-Metadaten und automatisierte Tests eingerichtet.

Stack: Next.js, React, TypeScript, Tailwind, next-intl, React Hook Form, Zod, Resend, Playwright, Vitest

• 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.

• Erstellung und Leitung von Roadmap-Prognosen für Support-Möglichkeiten, einschließlich der Schulung von Kollegen, Prozessdesign und -verbesserung sowie des Onboardings neuer Mitarbeiter.
• Nahtlose Zusammenarbeit mit funktionsübergreifenden Teams, darunter Professional Services, Support, Product, Sales und Solution Engineering.
• Verwaltung geschäftlicher und finanzieller KPIs im Einklang mit den übergeordneten Unternehmenszielen.
• Industrielle IT- & Datenintegration: Implementierung, Konfiguration und Integration von OT/IT-Systemen und Datenflüssen, wobei Quellen aus der Steuerungsebene (DCS, PLC, SCADA) über APIs und Standardschnittstellen mit Historian-, Datenplattform- und Unternehmenssystemen verbunden werden.
• AVEVA PI & Historian: Konfiguration, Wartung und Erweiterung von AVEVA PI (PI Data Archive, Asset Framework, Schnittstellen/Konnektoren) zur Erfassung, Kontextualisierung und Bereitstellung von Echtzeit- und historischen Betriebsdaten.
• Alarmmanagement: Unterstützung und Optimierung von Alarmmanagementsystemen – z. B. Honeywell Alarm Management – einschließlich Alarmrationalisierung, Klassifizierung und Analyse der Alarmleistung, kritischer Alarme und Alarmfluten.
• Konnektivität & Protokolle: Einrichtung und Fehlerbehebung industrieller Konnektivität mit OPC UA und OPC A&E, einschließlich der Konfiguration von Tunnellösungen / Wrappern zur sicheren und zuverlässigen Verbindung von OT-Datenquellen.
• Produktionsdatenfluss: Sicherstellung eines nahtlosen, sicheren und strukturierten Datenflusses in der industriellen IT-Landschaft sowie Umwandlung unverarbeiteter Betriebsdaten in aussagekräftige Informationen für Betrieb und Entscheidungsfindung.
• Systemsupport & Fehlerbehebung: Laufender Support für OT/IT-Anwendungen sowie Fehlerbehebung in Netzwerken, Software und Datenintegrationen, damit die Systeme effizient betrieben werden können.
• Wissensmanagement & Best Practices: Mitwirkung an interner Dokumentation, Best Practices und Leitfäden zur Fehlerbehebung sowie kontinuierliche Verbesserung der Bereitstellung industrieller IT- und Datenlösungen.

Tools & Software: Aveva PI, Salesforce, Active Directory, Microsoft Dynamics 365, Jira, Microsoft, Scrum, DevOps, Docker, CI/CD, Jenkins, GitHub.

Produkt:

• Eine produktionsreife KI-Plattform entwickelt, die anhand von Produktdaten, Nutzeranforderungen und hochgeladenen Medien markengerechte Marketingbilder und -videos erstellt.
• Verantwortlich für Plattformarchitektur, technische Roadmap, API-Design, Sicherheit, Deployment-Abläufe, betriebliche Zuverlässigkeit und Strategie für Modellanbieter.
• Die Kernplattform mit .NET entwickelt und unterstützende KI- und Workflow-Prototypen in Python erstellt. Dabei sprachunabhängige API-Verträge und strukturierte Schnittstellen zwischen Services und Modellanbietern eingesetzt.
• Zuverlässige Hintergrundverarbeitung mit RabbitMQ, gespeichertem Workflow-Zustand, idempotenter Verarbeitung, Wiederholungsversuchen, Fehlerbehebung, Logging, sicherer Speicherung, Autorisierung und Abrechnung von Credits umgesetzt.
• Pragmatische Entscheidungen zu Eigenentwicklung oder Zukauf sowie zum Routing von Modellen getroffen, basierend auf Zuverlässigkeit, Latenz, Kosten und Wartbarkeit statt auf Neuheit.

Agenten-Orchestrierung & RAG-Systeme

• Agenten-Workflows mit Microsoft Agent Framework, LangGraph und LangChain entwickelt und verglichen, darunter Tool-Nutzung, bedingte Weiterleitung, Klärungsschritte, Zustandsverwaltung und Übergaben zwischen Agenten.
• Wiederverwendbare .NET-Komponenten für Agenten, Prompts, Tools, Modellanbieter, strukturierte Antworten und Retrieval mit pyvector implementiert. So lassen sich KI-Anbieter einfacher wechseln, ohne den Kern-Workflow neu zu schreiben.

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

Geschäftsentwicklung und fachlicher Austausch

• Entwicklung eines Beratungsangebots für digitale Transformation, KI-Einführung und Operating Models; Aufbau von Branchen- und Partnerkontakten.

Stabilisierung eines kritischen Logistik-Outsourcing-Setups im Umfeld einer SAP S/4HANA-Transformation. Schwerpunkt war die operative Wiederherstellung einer belastbaren Faktenbasis zwischen Auftraggeber, Logistikdienstleister, internationalen Zulieferwerken und SAP-/IT-Organisation.

• Koordination zwischen Auftraggeber, globalem Logistikdienstleister, internationalen Zulieferwerken, SAP-/IT-Teams, Quality Management und operativem Shopfloor.
• Steuerung, Überwachung und operative Korrektur von Inbound Deliveries; Einbindung von Outbound-Delivery-Prozessen.
• Analyse von Schnittstellen-, Buchungs-, Batch- und Stammdatenfehlern zwischen SAP S/4HANA, Logistikdienstleister, Zulieferwerken und internen Fachbereichen.
• Deutliche Reduktion kritischer Bestandsdifferenzen zwischen Auftraggeber und Logistikdienstleister.
• Verbesserung der operativen Steuerungsfähigkeit im Logistikumfeld und Schaffung einer gemeinsamen Faktenbasis.
• Reduktion wiederkehrender Fehlerbilder in den Bereichen Inbound Deliveries, Bestände, Schnittstellen, Batch-/Buchungslogik und Dienstleisterprozesse.

• Standardisierung und Weiterentwicklung
• Anwendungsmonitoring
• Störungsbearbeitung
• Änderungsmanagement
• Schnittstellen- und Integrationsbetrieb
• Tests, Abnahmen und Betriebsübergaben