GitHub Experten in Hamburg

• Einarbeitung sowie umfassende Dokumentation und Systemanalyse durchgeführt, um die bestehende Dateninfrastruktur zu bewerten und eine schnelle Integration sowie Zusammenarbeit zwischen den fachlichen Datenteams (Modellierung, Verarbeitung, Reporting) zu ermöglichen.
• Gemeinsam die Architektur und die Projektstruktur für ein zentrales Data-Pipeline-Repository definiert, inklusive hierarchischer Standards, Wissensmanagement-Strategien und rollenbezogener Verantwortlichkeiten, um die Wartbarkeit und die Einarbeitung zu verbessern.
• Open-Source-Tools für Data Routing (Airbyte, Apache NiFi, Dragster) für Ingest- und Sync-Anforderungen in der Retail-Analyse bewertet und validiert, inklusive lokalem Benchmarking und Tests von Fehlersituationen.
• Die Konzeption und Bereitstellung von Airbyte in Kubernetes geleitet, eigene Helm-Charts erstellt, den Umgang mit Secrets abgesichert und Ingress mit TLS sowie internem DNS-Routing konfiguriert, sodass API und UI vollständig erreichbar waren.
• Probleme mit dem Ingress-Controller analysiert und behoben, dabei mehrere Debugging- und Testphasen durchlaufen und die Setup- sowie Replikationsschritte für eine skalierbare Wiederverwendung dokumentiert.
• Datenmodelle an den ARTS-Standard angepasst, die Schema-Ausrichtung für ERP- und Reporting-Use-Cases unterstützt und Review-Schleifen koordiniert, um die zukünftige Datenverarbeitungslogik abzustimmen.
• Strategische One-Pager zu MinIO, Pub/Sub und Routing-Architekturen erstellt und technische Orientierung für Architekturentscheidungen sowie Investitionsplanung gegeben.
• Sicheren Zugriff und Authentifizierungsmechanismen ermöglicht, darunter die erste Bewertung einer SAML-Integration, Reviews der Cluster-Konfiguration und Verbesserungen bei Service-Annotations.

• Dozent für angewandte KI in den Kursen „AI Implementation Architect“ und „AI Business Innovator“
• Durchführung von Remote-Schulungen zur Ausbildung der Teilnehmenden als "AI Implementation Architect" und "AI Business Innovator"
• Aufbau von n8n-basierten Automatisierungen für das Digital Institut des Mittelstands

• Übernahm die Verantwortung für die Backend-Architektur und die technische Strategie und plante und leitete gemeinsam mit dem CTO die Weiterentwicklung der Plattform
• Entwickelte gleichzeitig neue Features für die Plattform zur Verwaltung von Wohnraum und Mietern und verband dabei übergreifendes Architekturdesign mit praktischer Umsetzung
• Nutzte KI-gestützte Workflows (mit Tools wie Claude Code, Codex, Cursor) und arbeitete an KI-basierten Features (mit Tools wie N8N, Mastra, ElevenLabs)

Technologies: Node.js, TypeScript, React.js, Next.js, PostgreSQL, Google Cloud, Docker, Kubernetes

• Mitarbeit im Developer-Experience-Team zur Verbesserung der Entwicklererfahrung und der Tools für alle Teams der RTL+-Streamingplattform
• Entwicklung wiederverwendbarer GitLab-CI/CD-Komponenten zur Standardisierung von Prozessen und automatischen Durchsetzung von Codequalitäts- und Sicherheitsprüfungen
• Automatisierung der Infrastruktur mit Pulumi
• Betrieb und Überwachung von GitLab Runners in AWS mit Kubernetes
• Integration und Automatisierung von Renovate in GitLab-Pipelines für kontinuierliche Abhängigkeitsaktualisierungen
• Erweiterung von Backstage als zentraler Entwicklerplattform zur Optimierung interner Abläufe und Self-Service-Möglichkeiten
• Entwicklung verschiedener Tools und Automatisierungen in TypeScript, Go und Python

• Konzeption und Implementierung einer Python-basierten ETL-Pipeline mit dem Dagster-Framework für die Transformation von Energierohdaten aus heterogenen Quellen mit InfluxDB und Visualisierungen in Grafana
• Definition von zeitlich gesteuerten und abhängigkeitsbasierten Jobs
• Bereitstellung auf einem verwalteten Kubernetes-Cluster mit Helm
• Anbindung von InfluxDB Cloud
• Aufbereitung von Daten für Nutzung in Grafana inkl. Säuberung und Normalisierung plus zeitliches Resampling in Python
• Entwicklung von Dashboards und Visualisierungen in Grafana
• Entwicklung von Unit-Tests inkl. Mocking mit pytest
• Aufbau von CI/CD-Pipeline in GitLab

Technologien: Python, Dagster, InfluxDB, Grafana, pandas, pytest, REST, CI/CD, GitLab, Container, Kubernetes, Helm, Docker, Cloud

traigo ist die digitale Plattform von VTG für Bahnlogistik und Flottenmanagement. Sie verarbeitet große Mengen an Telemetrie-, Kilometer-, Geofence-, Sensor- und Wagenbewegungs-Events nahezu in Echtzeit und stellt operative Services für Kunden aus der Bahnlogistik in ganz Europa bereit.

Als Teil von Team Customer Selfcare habe ich an Design, Implementierung, Optimierung und Betrieb großer Backend-Services und eventgesteuerter Verarbeitungspipelines gearbeitet — sowohl an der Feature-Entwicklung als auch an der operativen Verantwortung für geschäftskritische Produktionssysteme. Außerdem war ich regelmäßig erster Ansprechpartner bei Produktionsvorfällen, Dateninkonsistenzen und Performance-Analysen über mehrere verteilte Services hinweg.

• Design und Implementierung eventgesteuerter Backend-Services.
• Migration und Ablösung von Legacy-Verarbeitungspipelines.
• Entwicklung von Replay-/Rebuild-Mechanismen für große Event-Datenmengen.
• Asynchrone Event-Verarbeitung mit hohem Durchsatz auf SNS / SQS.
• Datenbank- und Query-Optimierung für PostgreSQL und DynamoDB.
• Design skalierbarer Read-/Write-Modelle und Aggregationspipelines.
• Fehlersuche in der Produktion und operativer Support.
• Performance-Tuning und Skalierung der Infrastruktur.
• Design und Stabilisierung von Integrations- und Systemtests.
• Technische Konzepte, Architektur-Dokumentation und bereichsübergreifende Zusammenarbeit.
• Unterstützung bei der Weiterentwicklung bestehender GitLab CI/CD-Pipelines

Geofence- und Wagenstand-Verarbeitung

• Algorithmus zur Erkennung von Fahrzeugen innerhalb von Geofences (Eintritt, Austritt, Verweildauer).
• Event Sourcing mit garantierter chronologischer Reihenfolge innerhalb des betroffenen Zeitfensters.
• Refactoring der Logik für Geofence-Events und Wagenstand-Verarbeitung für bessere Performance.
• Behebung von Race Conditions und Problemen mit der Event-Reihenfolge in verteilten Services; serverseitiges Filtern, Aggregieren und optimierte Query-Pipelines.
• Reparatur- und Replay-Tools für beschädigte oder inkonsistente Bewegungsdaten.

Flotten-Metadaten & Kilometerstände

• Modernisierung des Services; Migration des Speichers von DynamoDB nach PostgreSQL, um die Nachverfolgbarkeit zu verbessern und neue Features schneller umzusetzen.
• Skalierbare Aggregation von Kilometerständen und Replay-Mechanismen.
• Read-/Write-Modelle und optimierte Queries für Berechnungen mit hohen Datenmengen.

Sensor- & Telematik-Integration

• Integration von Telemetrie- und Sensor-Verarbeitungspipelines.
• Snapshot- und Zustandsberechnungslogik für Sensorsysteme.
• APIs und Persistenzmodelle für Wagensensordaten; Verbesserungen der Datenqualität.
• Weiterentwicklung eines Services mit gRPC für die Kommunikation zwischen Services.

Verarbeitung von Bewegungssegmenten & Routing

• Migration von Services auf neue Event-Streams für Bewegungssegmente.
• Aufbau von Replay- und Rebuild-Tools für Segmentkorrekturen.
• Optimierung von Durchsatz und Zuverlässigkeit bei der Verarbeitung großer Event-Mengen.

Zustandsüberwachung & Wagenanalyse

• APIs und Backend-Services für die Zustandsüberwachung von Wagen.
• Verarbeitung zur Vorhersage von Bremsverschleiß und Funktionen für Wagenanalysen.
• PostgreSQL-Views und optimierte Query-Modelle für operative Dashboards.

Operative Zuverlässigkeit - First Responder

• Analyse von Produktionsvorfällen und Ausfällen verteilter Systeme; DLQ-Analyse, Replay und operative Wiederherstellung.
• Tuning der Datenbank-Performance und der AWS-Infrastruktur unter Produktionslast.
• Verbesserung von Observability, Monitoring und operativen Tools.
• Unterstützung bei Rollout-Strategien, Monitoring und Stabilisierung nach dem Deployment.

• Entwicklung von ETL-Strecken mit Talend (7/ Enterprise)
• Entwicklung/Anpassung von Datenbankschemata und Datenbankfunktionen (PostgreSQL)
• Entwicklung von GIT-CI-Pipelines

Technologien: Talend Enterprise, Git, PostgreSQL, DBeaver, SQL, PL-SQL, Liquibase

• Branche: SaaS (Customer Success Management) – B2B

Umfassende GEO-Implementierung (Generative Engine Optimization) für ein B2B-CSM-SaaS-Startup mit Fokus auf AI Search Visibility und AI Citations in ChatGPT, Perplexity und Google AI Overviews – inkl. GEO-Workshop und priorisierter Implementierungs-Roadmap.

• GEO-Workshop & Roadmap: Konzeption und Durchführung eines GEO-Workshops (LLM-Funktionsweise, AI-Search-Architektur, Citation-Strategien); Übersetzung in eine priorisierte Implementierungs-Roadmap mit Impact-/Aufwand-Schätzung
• Technical GEO Foundation: Robots.txt & llms.txt, Core Web Vitals & Page Speed, XML-Sitemaps für AI-Crawler
• Schema & Structured Data: Gap-Analyse, Implementierung von Product-/Service-, FAQ-, Article-, Author- und Organization-Schema, Validierung der Coverage
• Content Architecture & GEO: Flat Content Architecture, Topic Clusters (Pillar-and-Spoke), 200–300-Wort-Chunks und Answer-First-Content-Struktur, E-E-A-T-Rollout über Author Pages
• Query Fan-Out & Prompt Anticipation: User-Prompt-Mapping, Query Fan-Out, Content-Gap-Analyse auf Basis der Prompt Coverage
• Citation & Backlink Strategy: AI Citation Analysis (News, Reddit, Wikipedia, Listicles) und Entwicklung von Outreach- und Backlink-Strategien

Tools & Technologien: Otterly.AI, PeecAI, Qforia (iPullRank), Schema Markup Validator, OpenAI Tokenizer, Prompt Coverage Monitor, ChatGPT, Perplexity AI, Semrush, Ahrefs, Framer CMS

• Umgebung: AWS, Ruby on Rails, GraphQL, React Native
• Penetrationstest für Backend, Android-App und iOS-App

• Entwicklung eines professionellen Terminplaners für Organisationen mit spezifischen detaillierten Anforderungen
• Evaluieren verschiedener existierender Softwarelösungen
• Erstellen einer Liste von technischen Anforderungen
• Implementieren dieser Anforderungen
• Technologien in Auswahl: WebDAV, CalDAV, Rust, Baikal, OAuth, Keycloak

• Einen 3,5-monatigen Data-Science-Kurs erfolgreich abgeschlossen und den Titel „Certified Data Scientist“ von XDi, Deutschland (AZAV-zertifiziert), erworben.
• Beschäftigung mit überwachten und unüberwachten Machine-Learning-Algorithmen.
• Beschäftigung mit Natural Language Processing unter Verwendung von Python.

• Unabhängiger Software Engineer mit Fokus auf komplexe Backend-Architekturen.

• Verantwortung für RAG-, LLM-Systeme und ML-Ops-Pipelines für verschiedene Start-ups in den Bereichen Versicherung, Banking und Energie (KRITIS)

• Prüfung fachlicher und technischer Anforderungen aus Testsicht
• Erstellung von Testfällen und automatisierten Tests zur Absicherung der Anforderungen
• Durchführung manueller und automatisierter Funktions-, End-to-End- und Regressionstests
• Dokumentation der Testergebnisse und Nachverfolgung von Fehlern
• Nutzung von Modellen wie GPT-4, BERT und Hugging Face Transformers zur automatisierten Testfallgenerierung, Analyse von Testergebnissen und Verbesserung der Testabdeckung, einschließlich Bias-Checks und Sicherheitsüberprüfungen
• Techs: MS Office, Jira, Zephyr, Confluence, Tosca, Stakeholder-Kommunikation, Agil, Kanban, SCRUM, OpenAI API, Hugging Face, PyTorch, LangChain.