GitHub Copilot Experten in München

• Governed Multi-Agent Orchestration für regulierte, EU-ansässige Unternehmen – self-hostable, EU-AI-Act- und DSGVO-konform („by design“), BYOM (eigene Modelle/GPU).
• Zwei-Gate-Governance: Agenten-Deliberation + verpflichtende menschliche Freigabe, vollständiger signierter Audit-Trail; Graduated-Autonomy-Modell („intern → autonom pro Skill“).
• Verifizierter Wissensgraph („Company Brain“) mit Quellenbeleg pro Antwort; eigenes Orchestrierungs-Framework (Virtual Team Framework).
• Branchenlösungen für Financial Services: Compliance-Monitoring, Rechnungs- und Vertragsprüfung; Hands-on-Entwicklung mit LLMs (u.a. Anthropic/Claude), agentischen Workflows, RAG.
• Aufbau der governance-orientierten Multi-Agenten-Plattform TeamIntel (siehe KI-Referenzprojekte).

Als App Engineer im IoT-Control-Team in einem React-Native-Stack gearbeitet.

• Neue Komponenten auf Basis des Tonies Design Systems implementiert.
• Das Tonies Design System verbessert, erweitert und gewartet
• Neue Funktionen wie Lautstärke- und Wiedergabesteuerung für die Tonies hinzugefügt
• Verbindungsprobleme über Bluetooth und WLAN behoben
• Technische Schulden abgebaut und die Anwendung für ein bevorstehendes großes Software- und Hardware-Release optimiert
• Die Barrierefreiheit verbessert, indem Bildschirme und Komponenten für die Nutzung mit Screenreadern optimiert wurden.
• Viele automatisierte Tests geschrieben, um dauerhaft eine hervorragende App-Qualität sicherzustellen.
• Wöchentliche App-Releases in einer Umgebung mit hohem Arbeitsaufkommen

Ergebnisse & Wirkung:

• App-Stabilität und Verbindungszuverlässigkeit vor einem wichtigen Software- und Hardware-Release verbessert
• Die allgemeine App-Qualität durch eine deutlich umfangreichere Testsuite erhöht, die Regressionen erkannte, bevor sie Nutzer erreichten
• Die App für Screenreader nutzbar gemacht und damit die Barrierefreiheit für ein breiteres Publikum verbessert
• Einen wöchentlichen Release-Rhythmus in einer Produktionsumgebung mit hohem Volumen ohne Qualitätseinbußen aufrechterhalten

Technologien: react-native, expo, typescript, react-19, react-compiler, react-navigation, zustand, @tanstack/react-query, i18next, figma, app-store, play-store, sentry, bitrise, config-cat, poeditor

• Agiler Aufbau einer multimodalen Analyseplattform für Trainingsmaterial (Video, Audio, Dokumente) nach Scrum
• Extraktion kontextrelevanter Inhalte basierend auf Nutzerprofilen & Kompetenzdimensionen
• Personalisierte Ausspielung von Lerninhalten zur Steigerung der Vertriebsperformance
• Enge Abstimmung mit Sales-Teams & Stakeholdern zur Validierung der Features
• Einsatz von Gemini, Whisper, Python & JavaScript, Deployment auf AWS, Perl für Skripte zum Datenimport
• Integration in bestehende Tools & CRM-Systeme zur reibungslosen Einführung
• Genutzte Technologien: Python, OpenAI, Datenbanktechnologien wie PostgreSQL, CI/CD für AirFlow-DAGs, FastAPI

• 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

• Softwareentwicklung eines B2B-SaaS zur KI-basierten Suche in internen Kandidatenpools von Personalberatungen
• Konzeption als mandantenfähige, hybride Architektur mit eigenen GPU-Servern und sicherer Cloud-Anbindung
• KI-Engineering
• LLMOps
• Python
• FastAPI

• Evaluation RAG für juristische Beratung (Kauf oder Eigenentwicklung)
• Evaluierung und Machbarkeitsnachweis (PoC) für ein ERP-Arbeitszeiterfassungsmodul
• Beratung bei der Auswahl von Foundation-Modellen
• Einrichtung einer KI-Entwicklungsumgebung (Abschaffung von Schatten-KI)
• KI-Strategieberatung
• Durch KI gestützte Codeerstellung und Kontext-Engineering werden Änderungssätze umfangreicher
• Fundierte Software-Engineering-Kompetenz, Code-Reviews und Absicherung durch die Pipeline und fachlich automatisierte Testfälle

• Plattform: Python-Ökosystem, RHEL 8, K10, AWS IoT Core, AWS Lambda, MLOps
• Software: Java JEE/Cloud, IntelliJ IDEA, AWS IoT Core, AWS Edge und Lambda, AWS SageMaker SDK, Docker Compose, Kubernetes, Openshift 4, Tekton, Flux, Helm Charts, JSON/XML-Technologien, Nginx, Apache Spark, OpenAI (GPT Plus, DALL-E 3, Whisper), GAN, GitHub Copilot, KI, Machine Learning, Deep Learning, Jupyter Notebooks, TensorFlow 2, Colab, Keras API, Prometheus, Grafana, Conda, Python 3.9, SciPy-Stack (NumPy, pandas, scikit-learn, matplotlib)
• Zuständig für Webinar:
• IoT Edge Computing, Architektur, Komponenten, Ressourcen, Management
• IoT Edge Computing mit MicroK8s, Design und Erstellung von Flows/Diagrammen für AWS, Three-Step-Modell für IoT-Ökosystem
• IoT-Prozesse, Konnektivität, Datentransfer und Deployment, Sicherheit
• Optimierung des Edge Computing für Netzwerke, Services im IoT (AWS SQS Queue, SNS-Benachrichtigungen, Events, Analytics, Button, Device Management/Defender, Things Graph)
• Machine-/Deep-Learning-Frameworks (Modelle, Training, Optimierung der Pipelines, Deployment in der Cloud/am Edge, Monitoring der Workloads mit Prometheus und Grafana)
• Performance-Optimierung für niedrige Latenz/Resilienz mittels adaptiver ML/DL/RL-Modelle für Kundendaten aus dem IoT
• Analyse großer Sensordatenmengen mit Apache Spark, Kafka-Clustern
• Kasten K10 Data Management Platform auf Kubernetes-Multi-Cluster mit Helm Chart: Deployment, Backup/Disaster Recovery (RTO/RPO), Data Lifecycle und Security Management
• Implementierung eines mehrschichtigen neuronalen Netzes (ANN) mit TensorFlow 2 und Colab für Regression und Klassifikation; Datenanalyse und Aufbereitung für Applikationen; Entwicklung von Test- und Trainingsmodellen; Deployment der Modelle
• Automatisierung von Business-Streamline-Prozessen mit KI (Azure OpenAI, Discord-Bots/Zapier, AI-Assistenten-Apps IntelliJ, GitHub Copilot)

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.