Google Cloud Platform Experten in München

• Deployment und Skalierung bestehender ML-Initiativen, unter anderem für Demand- und Cashflow-Prognosen.
• Aufbau eines belastbaren Monitorings mit MLflow für Datenstabilität, Modellperformance und Drift-Erkennung sowie Umsetzung zusätzlicher ML-Use-Cases.
• Weiterentwicklung eines Agentic-AI-Chatbots zur transparenten und verständlichen Modellerklärung.

Einheitliches ITSM-Framework

• Definition eines konzernweiten ITSM-Zielbildes
• Einführung einer einheitlichen Service-Struktur über alle Fachbereiche

SLA- und OLA-Management

• Aufbau eines standardisierten SLA-Frameworks
• Definition von Serviceklassen (Business Critical, Standard, Low Priority)
• Einführung von OLAs zwischen internen Teams
• Aufbau eines aussagekräftigen SLA-Reportings
• Definition von KPI- und Service-Dashboards für Fachbereiche

Service Portfolio Management

• Definition von Servicebeschreibungen
• Ggf. Vorbereitung einer möglichen Kosten- und Leistungsverrechnung

Ticketing & Prozesse

• Incident Management
• Einheitliche Ticketkategorien
• Standardisierte Priorisierung
• Eskalationsmatrix
• Automatisierungen
• Self-Service-Optimierung

Request Fulfillment

• Servicekatalog über alle Fachbereiche
• Genehmigungsworkflows

Problem Management

• Einführung von Root-Cause-Analysen
• Known-Error-Datenbank
• Problem-Review-Prozess

Vollständiges Asset-Management-Konzept

• Hardware-Lifecycle-Management
• Software-Lifecycle-Management
• Leasing-Lifecycle
• Mobile-Device-Lifecycle
• Monitor-Lifecycle
• Telefon-Lifecycle

Prozesse

• Beschaffung
• Wareneingang
• Inventarisierung
• Zuweisung
• Rückgabe
• Entsorgung
• Leasing-Rückführung Ziel: Single Source of Truth für alle Assets

CMDB-Design

• Definition aller Configuration Items:
• Workplace
• Notebooks
• Monitore
• Mobiltelefone
• Drucker

Infrastruktur

• Server
• Firewalls
• Switches
• WLAN
• Storage
• Backup-Systeme

Cloud

• Azure-Ressourcen
• Microsoft 365
• SaaS-Dienste

Beziehungen

• User ↔ Asset
• Asset ↔ Service
• Service ↔ Infrastruktur
• Standort ↔ Asset
• Ziel: Vollständige Service-Abhängigkeiten sichtbar machen

Software Asset & Lizenz Management

• Lizenzmanagement-Konzept
• Lizenzbilanzierung
• Compliance-Reporting
• Microsoft-Lizenzmanagement
• Adobe-Lizenzmanagement
• SaaS-Management
• Vertragsmanagement
• Renewal-Management

Schnittstellen & Automatisierung Bestehende Systeme

• Workday
• Joiner
• Mover
• Leaver

TESMA

• Leasingdaten
• Vertragsdaten

Matrix42

• Asset-Synchronisation
• Benutzersynchronisation

Active Directory / Entra ID

• User Management

Microsoft 365

• Lizenzzuweisung
• Gruppenmanagement

Dormakaba

• Zutrittsprozesse

• Lifecycle Services

Monitoring-Plattformen

• PRTG
• Palo Alto
• Cisco

Reporting & KPI Framework

• Definition eines Management-Dashboards
• KPIs
• Ticketvolumen
• SLA-Erfüllung
• MTTR
• Erstlösungsquote
• Asset Accuracy
• Lizenz-Compliance
• Change Success Rate
• Service Availability
• Automatisierungsgrad

Netzwerk-Redesign-Begleitung

• Governance
• Begleitung des Netzwerk-Redesigns aus ITSM-Sicht
• Definition betroffener Services
• Change-Management-Struktur
• Kommunikationskonzept

CMDB-Integration

• Aufnahme aller Netzwerkkomponenten
• Service Mapping
• Abhängigkeitsanalyse

Validierung von Dokumentation und Knowledgebase-Artikeln

• Netzwerkdokumentation
• Betriebsdokumentation
• Standard Changes

Monitoring & Event Management

• Zielbild
• Zentrales Monitoring-Konzept
• Event-Management-Prozess
• Alarmierungsstrategie
• Eskalationsmodell

Systeme

• Cisco

• Palo Alto

• Fortinet

• Rubrik

• Veeam

• Matrix42

• Azure

• Microsoft 365 Automatisierung

• Ticketgenerierung aus Monitoring

• Eskalationen

• Standardmaßnahmen

Audit, Compliance & Informationssicherheit

• ISO-27001-Beratung
• TISAX-Beratung
• NIS2-Vorbereitung - Beratung
• Auditfähige Prozesse
• Dokumentationsstruktur
• Nachweisführung in Matrix42

Roadmap

• 12-Monats-Roadmap
• Priorisierung aller Maßnahmen
• Quick Wins
• Mittelfristige Projekte
• Langfristiges Zielbild
• Dokumentation

• Entwicklung des Audit-Logging-Frameworks
• Implementierung von APIs, die Entwickler in ihre Codebasen integrieren können
• Implementierung der Ingestion-Pipeline, der Datenbank-Abfrageschicht und der UI zum Durchsuchen der Audit-Events
• Verbesserung der Stabilität und Zuverlässigkeit des Backend-Systems

• 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

• Gesamtverantwortung für den Projektlebenszyklus von der Umfangsdefinition bis zum Abschluss
• Enge Zusammenarbeit mit Plattform-Teams, IT-Führungskräften und externen Dienstleistern
• Anwendung von SAFe-Prinzipien und strukturierte Sprint-Arbeit
• Erstellung eines Migrationsfahrplans mit klaren Meilensteinen
• Überwachung des Lifecycles: Onboarding, Repository-Migration, Replikation von Berechtigungen und Systemtests
• Visualisierung der Architektur mit PlantUML und Gliffy sowie Dokumentation in Confluence
• Regelmäßige Statusberichte und Durchführung von Wissenstransfer-Sessions

• Erstellte ein multi-agentisches System, unterstützt von einem Wissensgraphen, um das Verfassen von Forschungsarbeiten zu automatisieren
• Setzte mehrere Experten (OpenAI-Modelle) ein, die beim Verfassen zusammenarbeiteten
• Extrahierte nützliche Informationen aus dem Wissensgraphen
• Technologien: LangChain, LangGraph, Smolagents, LlamaIndex, dspy
• Infrastruktur: Terraform und GitHub Actions (CI/CD) auf AWS
• Stellte die erste Anwendung als Streamlit-App bereit

• Aufbau und Betrieb einer End-to-End-MLOps-Plattform auf Azure ML und Kubernetes (Kubeflow) zur automatisierten Bereitstellung, Überwachung und Skalierung von Forecasting-Modellen (u. a. Temporal Fusion Transformer, Informer, Autoformer).
• Implementierung von CI/CD-Pipelines in Azure DevOps für den vollständigen ML-Lifecycle – von Ressourcbereitstellung (Terraform), Datentransformation (Hugging Face Datasets, Pandas, PyTorch, CUDA-Cluster) über Training und Evaluation bis hin zu Model Registry und Endpoint-Deployment.
• Integration von MLflow für Experiment-Tracking, Modellversionierung, Performance-Monitoring und automatisierte Registrierung in der Azure Model Registry.
• Entwicklung und Containerisierung von PyTorch-Trainingsjobs (Azure Notebook, Jupyter Notebooks) für Preis- und Zeitreihenprognosen (PFC-Modelle) mit automatischem Rollout über Azure ML Endpoints und REST/gRPC-Schnittstellen, Docker-Containerisierung, Absicherung über OAuth 2.0.
• Einrichtung von Monitoring- und Alerting-Mechanismen (Prometheus, MLflow Metrics), Log-Zentralisierung und Kostenüberwachung.
• Automatisierung der Infrastruktur-Bereitstellung und Modellbereitstellung mittels Terraform, Helm und Azure CLI; Anbindung an bestehende Marktdatensysteme und Event-Pipelines.
• Migration bestehender Workloads und Datenbanken (IONOS → Azure, MongoDB) mit Integration in zentrale MLOps-Workflows und interne Netzwerke.
• Erweiterung der Plattform um LLM-basierte Tools (LangChain, LangServe) zur Integration von GPT-basierten Analysemodulen in bestehende Spring-Boot-Dienste für Marktanomalie-Erkennung und automatisierte Reports.
• Analyse, Architektur einer Softwarelösung zur effizienten Verarbeitung von Massendaten (>3000 Nachrichten/Sek.) (Market Data Store).
• Spring Boot / Java 21 Container-Entwicklung mit RabbitMQ zur Verteilung von Börsendaten über MongoDB (Kubernetes) mit Schnellspeicherung von Daten in Redis RMaps, Deduplizierung und Weiterleitung von Nachrichten an Read-Model-Queues, Aufbau von Read Models für die UI-Anzeige in MongoDB.
• Einbindung von RESTHeart zur Erzeugung einer REST API gegen MongoDB.
• Aufbau eines Angular-Frontends zur Vereinfachung der Datenabfrage und Stammdatenpflege.
• Agentic Coding mit remote und local LLM (Claude Sonnet, Ollama Qwen) und MCP-Servern.
• Entwicklung von Python-Skripten zur Transformation und Bereinigung eingehender Börsendaten (Pandas, scikit-learn).

• Produktentwicklung von Anfang bis Ende geleitet und die erfolgreiche Lieferung technischer Lösungen verantwortet.
• Ein Team hochspezialisierter technischer Experten geführt und begleitet und eine Kultur der Zusammenarbeit und Innovation gefördert.
• Den Einstellungsprozess gesteuert, um ein talentiertes und engagiertes Team aufzubauen.
• Ein skalierbares und robustes Backend-Microservices-System von Grund auf aufgebaut, entworfen und weiterentwickelt, um sich ändernde Geschäftsanforderungen zu erfüllen.
• Die hohe Verfügbarkeit des Systems mit 99,99 % Uptime sichergestellt und dafür eine belastbare Architektur sowie Monitoring-Mechanismen implementiert.
• Technische Strategien entwickelt und umgesetzt und sie an den Geschäftszielen und -vorgaben ausgerichtet.

• Entwickelte eine Python-Pipeline, die Web-Inhalte aus dem Lektionar in strukturierte tägliche JSON-Daten umwandelt und dabei liturgische Kalenderregeln für eine genaue Abdeckung von Wochentagen und Sonntagen anwendet.
• Stellte eine reine FastAPI-REST-API mit gemeinsamen Pydantic-Modellen bereit und lieferte einen Kirundi-first Web-Client für Browser und Mobile.
• Verantwortete die Datenebene und die Backend-Architektur, arbeitete eng an Systemarchitektur und Schnittstellen mit und automatisierte Aktualisierungen mit GitHub Actions; außerdem validierte ich das ETL mit pytest.
• Impact: Schuf eine verlässliche, API-gestützte Single Source of Truth für tägliche Bibellesungen auf Kirundi und ermöglichte so einen konsistenten Zugriff auf zuvor unstrukturierte Inhalte.

• Entwicklung von High-Performance-Ad-Auslieferung über Auktionen
• Ganzheitliche Optimierung der Anzeigenplatzierung (multi-campaign & multi-channel)
• Algorithmische Optimierung für NP-Hard/NP-e
• Multiple Knapsack Problem mit Nebenbedingungen
• Online-Schätzung von Parametern in stochastischen Umgebungen

Tools: Python, R, Kotlin, MILP/SAT/CP-Solver, Pytorch, Pandas, Docker

• Strategieberatung zur Initiierung und Steuerung komplexer, multidisziplinärer Projekte
• Stakeholdermanagement (Projektzeitplanung, Anforderungsmanagement, Budgetmanagement, Risikomanagement) inkl. funktionsübergreifender Kommunikation mit Realisierungspartnern
• Durchführung von Analysen und Empfehlungen mit dem technischen Team und Erörterung auf C-Level-Ebene

• Governed Multi-Agent-Orchestrierung für regulierte, in der EU ansässige Unternehmen – selbst hostbar, 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; praktische Entwicklung mit LLMs (u.a. Anthropic/Claude), agentischen Workflows, RAG.
• Aufbau der governance-orientierten Multi-Agenten-Plattform TeamIntel (siehe KI-Referenzprojekte).

• Es ist wie ein Start-up innerhalb von REWE, wo wir von Grund auf ein neues Prognosesystem auf der Google Cloud Platform aufbauen müssen. Offiziell heißt meine Rolle MLOps, aber meine eigentlichen Aufgaben umfassen auch die Entwicklung von Datenverarbeitungspipelines (Data Engineering) sowie Aufgaben von Data Scientists wie Feature Engineering und Modelltraining.
• GCP: Terraform (tofu), Vertex AI (Kubeflow), Cloud Run, IAM, Google Cloud Storage, BigQuery, Artifact Registry
• Data Engineering: Snowflake als zentrales Data Warehouse, Terraform, DBT für die Implementierung von Datenmodellen
• CI/CD: GitLab. Wir haben eine CI/CD-Pipeline aufgebaut, die Deployments neuer Releases bis in die Produktionsumgebung automatisiert

• Machbarkeitsstudie zur schnellen Umsetzung von Anforderungen mit KI-basierter Entwicklung (Vibe-Coding)
• Entwicklung einer Single-Page-Webanwendung in Angular 20
• Entwicklung einer Backend-Server-Anwendung in Kotlin
• Anbindung der Google Cloud Platform (Firebase): Authentifizierung, Firestore NoSQL-Datenbank, Storage, Cloud Functions, Hosting und Cloud Run
• Anbindung einer NEON PostgreSQL-Datenbank
• Automatisierte, KI-basierte Auswertung von Donald Trumps Posts auf Truth Social und Analyse ihrer Relevanz für Aktienmärkte und geopolitische Themen
• CI/CD über GitHub Actions unter Verwendung von Docker und Google Cloud Run
• Technisches Umfeld: Angular 20 (Angular Material, RxJS), Kotlin 2.2.20, TypeScript 5.9.3, Spring Boot 3.5.6, Google Cloud Platform (Firebase, Cloud Run, Gemini, Vertex AI), ChatGPT Codex, Git, GitHub, SourceTree, IntelliJ WebStorm, IntelliJ IDEA