Google Cloud Run Experten in Deutschland

• Entwicklung einer agentengestützten Governance-Plattform zur automatisierten Sicherstellung der EU AI Act-Konformität sowie der ODA-konformen Orchestrierung von KI-Services in komplexen Enterprise-Umgebungen.

• Design und Implementierung eines agentenbasierten "Mission Control"-Frameworks (Aletheia Conductor) zur autonomen Zustandsüberwachung und Prozesssteuerung.

• Entwicklung von "Compliance-as-Code" (CaC)-Lösungen basierend auf OPA/Rego zur systemweiten Durchsetzung regulatorischer Leitplanken.

• Integration von TM Forum ODA-Standards (TMF630, TMF622, TMF642) zur Gewährleistung der Interoperabilität und Standardisierung.

• Aufbau einer hochverfügbaren Event-Driven Architecture mittels Redpanda und CloudEvents v1.0 zur echtzeitnahen Event-Verarbeitung.

• Implementierung einer revisionssicheren "Evidence Chain" durch kryptographische Verkettung von Trace-Logs zur Vorbereitung automatisierter Audits.

• Tech Stack: Java 21 (Quarkus Native), TypeScript (Next.js), Redpanda (Kafka API), CloudEvents v1.0, OPA (Open Policy Agent) & Rego, TimescaleDB, ZincSearch, Redis, TM Forum ODA, Git, GitHub, Clean Code Development, Like-C4.

Remote-Freiberuflerrolle mit Fokus auf Agentic-AI-Strategie, sicheren Anwendungsmustern und wiederverwendbaren agentischen Workflows für eine Regierungsbehörde.

• Entwicklung und Umsetzung einer Open-Source-Agentic-AI-Strategie für eine Regierungsbehörde mit Fokus auf DSGVO, Sicherheit und selbst gehostete Lösungen
• Entwicklung wiederverwendbarer agentischer Workflows und Mini-Anwendungen, die es nicht-technischen Mitarbeitenden ermöglichen, Geschäftsprobleme selbstständig zu lösen
• Umsetzung interner Geschäftsanwendungen mit Single Sign On (SSO) und Azure-PostgreSQL-Integration auf Hetzner-Linux-Servern
• Umsetzung von neun Mini-Anwendungen mit Single Sign On (SSO) und Azure-PostgreSQL-Integration auf Hetzner-Linux-Servern
• Techstack: Python, Nextjs, Typescript, Streamlit, Anthropic SDK (Claude), Azure, Linux Ubuntu, PostgreSQL, MS SQL, Angular, Authentik

Die Basisdienste von DB InfraGO bilden einen zentralen Datenhub zwischen den IT-Systemen des Unternehmens. Es werden gemeinsame Datendienste entwickelt, die Daten aus Quellsystemen an eine Vielzahl nachgelagerter Systeme verteilen (über JMS) und bereitstellen (über REST-API). Die bestehende, auf TIBCO basierende Servicelandschaft wird auf die cloud-native Plattform von DB InfraGO migriert.

• Architekturdesign und Implementierung einer performanceoptimierten Massenverarbeitung von mehreren Millionen Datensätzen zu bestimmten Tageszeiten
• Technische Spezifikation und Dokumentation der Geschäftsanforderungen
• Integration verschiedener Subsysteme (einschließlich SAP und Salesforce) durch die Neuentwicklung von mehr als 40 auf Spring Boot basierenden Microservices
• Migration von TIBCO-basierten Microservices von der Enterprise Integration Platform auf die Cloud Native Platform mit Spring Boot
• Aufbau einer Deployment-Pipeline mit GitLab CI/CD und Artifactory sowie automatisiertes Deployment in eine Kubernetes-Umgebung mithilfe von ArgoCD
• Definition und Implementierung automatisierter Unit-, Integrations- und Regressionstests

Teamgröße: 9

Technologien/Tools: Java, Spring Boot, ActiveMQ(JMS), JUnit, Tibco Business Works, Gitlab (CI/CD), Kubernetes (Amazon AWS), ArgoCD, postgreSQL, Oracle, Postman, Hoppscotch, openAPI, Sonarqube

• 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

• Akquiriert Neukunden im B2B-Outbound für ein KI-SaaS-Startup im Bereich öffentliche Ausschreibungen und terminiert Produktdemos mit IT-Entscheidern.
• Qualifiziert Zielkunden entlang eines definierten Ideal-Customer-Profils inklusive Discovery, Bedarfsanalyse und Einwandbehandlung.
• Eignet sich Domänenwissen im öffentlichen Vergabewesen an (EVB-IT, deutsche und EU-Vergabeportale) für Fachgespräche auf Augenhöhe.

• MVP-fokussierte Full-Stack-Architektur für einen Kunden im Gesundheitswesen bereitgestellt: Vite/React-Frontend, Backend-Services auf Google Cloud Run und Supabase für Datenbank sowie IAM/Authentifizierung.
• Produktanforderungsanalyse unterstützt und eine kostenoptimierte Workload-Platzierung priorisiert, indem Browser-/Edge-Berechnungen umgesetzt wurden, wo möglich, bevor Logik in die Backend-Services verschoben wurde.

• Mentor eines Teams aus 6 ML-Platform-Engineers durch wöchentliche 1:1s, technische Design-Reviews und Best Practices; Verbesserung der Team-Produktivität um 35% durch strukturierte Sprint-Planung und Programme zur Skill-Entwicklung
• Definition der ML-Plattform-Roadmap 2025–2026 in Zusammenarbeit mit Data Science, Cloud Engineering und Product Teams; Priorisierung von automatisierter Model Governance, Cost-Attribution-Systemen und Multi-Environment-Deployment-Strategien
• Zusammenarbeit mit Stakeholdern aus Data Science, SRE und Product, um die Fähigkeiten der ML-Plattform mit den Geschäftszielen abzustimmen; Reduktion der Deployment-Hürden für Data Scientists um 60% durch Self-Service-Plattformen
• Architektur und Lieferung einer produktionsreifen MLOps-Plattform für 50+ Modelle in Produktion mit automatisierten Promotion-Pipelines, Versionierung und Rollback-Funktionen; Erreichung eines SLA von 99,5% Plattform-Uptime
• Design einer verteilten ML-Pipeline-Architektur mit Metaflow und Argo Workflows (Vertex Pipelines-kompatibel); Verkürzung der Modell-Trainingszeit um 30% und der Deployment-Zyklen von 2 Wochen auf 3 Tage durch vollständige CI/CD-Automatisierung
• Aufbau containerisierter ML-Services auf Kubernetes mit Auto-Scaling-Policies, Resource Quotas und Multi-Tenancy-Isolation; Optimierung der Infrastrukturkosten um 180K $ pro Jahr (25% Reduktion)
• Implementierung von Monitoring, Alerting und Performance-Tracking mit Prometheus, Grafana und Custom Instrumentation; Reduktion der Debugging-Zeit für Modelle um 50% und Einführung von SLOs für die Modell-Performance
• Leitung der Entwicklung einer RAG-basierten Document-Intelligence-Plattform mit LangChain, LangGraph und Vektor-Datenbanken; Implementierung von Agentic-AI-Workflows für die automatisierte Verarbeitung von Finanzdokumenten
• Implementierung von Infrastructure-as-Code mit Terraform für reproduzierbare Umgebungseinrichtung und GitOps-Workflows; Reduktion von Infrastruktur-Drift-Vorfällen um 80%
• Design von rollenbasiertem Zugriff für die ML-Plattform, Implementierung von Model-Lineage-Tracking und Aufbau von Audit Trails für regulatorische Compliance nach Enterprise-IAM-Best Practices

• Analyse der bestehenden Reporting-Plattform einschließlich Prozessen und Governance-Themen mit Stakeholdern aus Vertrieb und Marketing.

• Detaillierte Analyse und Bewertung der kundenseitig definierten Anforderungen an das bestehende Reporting sowie an neu zu erstellende Dashboards.

• Unterstützung der Stakeholder bei der Steuerung der Vertriebsprozesse und der frühzeitigen Erkennung von KPI-Entwicklungen.

• Einsatz von Microsoft Power BI als zentrale Analyse- und Reporting-Plattform.

• Erarbeitung eines Vorschlags für die notwendige Weiterentwicklung der Prozesse und der Power BI-Plattform.

• Erfassung der Ist-Geschäftsprozesse und Ableitung unternehmensweiter KPIs inklusive Abstimmung mit Stakeholdern.

• Analyse und Bestandsaufnahme der Power BI-Plattform des Kunden.

• Untersuchung von Prozessen und Data Governance.

• Erfassung und Dokumentation der Ist-Geschäftsprozesse.

• Erarbeitung von Empfehlungen zur Weiterentwicklung von Prozessen und der Reporting-Plattform.

• Konzeption und Umsetzung von Dashboards in Power BI.

• Definition unternehmensweiter KPIs und Abstimmung mit Stakeholdern.

• Microsoft Power BI

• Datenanalyse

• KPI-Definition und Reporting

• Dashboard-Konzeption und Datenvisualisierung

• Stakeholder-Management und Anforderungsmanagement

• Enterprise-Retrieval-Augmented-Generation-(RAG)-Anwendungen mit LangChain, LangGraph, Vektordatenbanken, Embeddings und Open-Source-LLMs entworfen und bereitgestellt, die über vLLM auf GCP-GPU-Infrastruktur betrieben wurden.
• Agentic-AI-Workflows mit LangGraph entwickelt, inklusive Planung, Schlussfolgern, Tool-Ausführung, persistenter Speicherung, Sitzungsverwaltung und Human-in-the-Loop-Freigabemechanismen.
• LLM-gestützte Automatisierungssysteme entwickelt, die BigQuery, SQL-Pipelines und externe Werbe-APIs wie Meta, TikTok, Amazon, Snapchat, Google und Pinterest integrieren und manuelle operative Abläufe reduzieren.
• Multi-Agent-AI-Systeme für Enterprise-Analytics- und Entscheidungsunterstützungs-Workflows entworfen, die autonome Aufgabenausführung und intelligente Dateninteraktionen ermöglichen.
• Retrieval-Optimierungsstrategien umgesetzt, darunter Multi-Retriever-Architekturen, semantische Suche, Kontextoptimierung und Query-Verbesserungstechniken, wodurch die Relevanz der Antworten um etwa 40 % verbessert wurde.
• Strukturierte Prompting-Strategien, Function-Calling-Schemata und Validierungs-Workflows entwickelt, um die Zuverlässigkeit von mehrstufigen LLM-Anwendungen zu verbessern.
• Skalierbare AI-Services mit Python, FastAPI, Cloud Run, Pub/Sub, BigQuery, Docker und cloud-nativen Bereitstellungsarchitekturen entworfen.

• 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

• Es ist wie ein Start-up innerhalb von REWE, wo wir ein neues Forecasting-System auf der Google Cloud Platform von Grund auf aufbauen müssen. Offiziell heißt meine Rolle zwar MLOps, aber zu meinen tatsächlichen Aufgaben gehören auch die Entwicklung von Datenverarbeitungspipelines (Data Engineering) und 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 Umsetzung von Datenmodellen
• CI/CD: GitLab. Wir haben eine CI/CD-Pipeline aufgebaut, die Deployments neuer Releases bis in die Produktionsumgebung automatisiert

• Grundlagen des Cloud Computing & Architektur: Fundiertes Wissen zu den zentralen Cloud-Konzepten, einschließlich der drei Service-Modelle (IaaS, PaaS, SaaS) und der verschiedenen Bereitstellungsmodelle (Public, Private, Hybrid, Multi-Cloud).
• Moderne Anwendungsbereitstellungsstrategien (GCP-Fokus): Einführung in das GCP Application Hosting-Spektrum, einschließlich virtueller Maschinen, Container (Kubernetes und Cloud Run), Platform as a Service (App Engine) und serverlosem Computing (Functions as a Service - FaaS).
• Datenmanagement & Big Data Analytics: Umfassende Darstellung der Cloud-Speicheroptionen (Object, Block, File) und Datenbanklösungen, einschließlich relationaler (Cloud SQL), NoSQL (Firestore, Bigtable, Memorystore) und serverlosem Enterprise-Data-Warehousing (BigQuery).
• DevOps und Infrastruktur-Automatisierung: Kenntnisse in DevOps-Prinzipien, einschließlich Continuous Integration (CI), Continuous Delivery (CD), Infrastructure as Code (IaC) mit Tools wie Terraform, und Implementierung von effektivem Monitoring und Logging für Systembeobachtbarkeit.
• Neue Technologien & verantwortungsbewusste Cloud-Nutzung: Fokus auf wichtige Themen wie Cloud und IoT-Sicherheit, Identity and Access Management (IAM), Datenschutz und ethische Aspekte bei Cloud- und Massendaten-Sammlung.

• Begleitete Teilnehmer durch strukturierte Lernpfade und praxisnahe Projekte.
• Gab Feedback und Anleitung zur Integration von KI sowie zu Best Practices im Produktmanagement.
• Betreute Teams bei der Einführung von KI, der Strategie für Unternehmensprodukte und praktischen Entscheidungen zur Umsetzung.

• Entwurf und Implementierung von DevOps- und CI/CD-Methoden für Data- und Analytics-Teams
• Einführung von Infrastruktur als Code mit Terraform (IaC)
• Einrichtung und Pflege des GCP-Benutzer- und Rechtemanagements mit Terraform in einer Multi-Projekt-Umgebung
• Entwurf und Umsetzung von CI/CD-Pipelines mit GitHub
• Führung und Schulung des Entwicklerteams bei der Einführung von IaC- und CI/CD-Methoden
• Entwicklung und Optimierung von Datenbank-Connectoren mit Apache Arrow für Terabyte-große Datenextraktionen (Oracle, SAP)
• Optimierung der Data-Lake-Speicherung und des Warehouse-Ingests