Google Cloud Storage Experten in Deutschland

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

Embedded Analytics & KI-gestützte BI

Konzeption und Entwicklung einer integrierten Analytics-Lösung auf Basis von ASP.NET Core, Power BI Embedded und LLM-Services zur Bereitstellung kontextbezogener Business-Informationen.

Entwicklung eines KI-Agenten mit Function-/Tool-Calling zur sicheren Orchestrierung von REST APIs, SQL-Datenquellen und technischen Services innerhalb definierter Geschäftsprozesse.

Aufbau automatisierter BI-Workflows inklusive Workspace-Management, Deployment-Prozessen und geplantem Refresh über die Power BI REST API.

Umsetzung sicherer Service-zu-Service-Kommunikation mit Microsoft Entra ID und Service Principal sowie Integration in bestehende Enterprise-Systemlandschaften.

Technologien: ASP.NET Core, C#/.NET, Power BI Embedded, Power BI REST API, LLM API, KI-Agenten, Function-/Tool-Calling, Entra ID

• 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

• 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

• Implementierung der Anwendungen mit Kotlin und Ktor als Microservices
• Verwendung von MongoDB in der MongoDB Atlas Cloud
• Asynchrone Kommunikation der Services mit Google Pubsub
• Einsatz von Kotest und Mockk für Unit Tests
• Entwicklung eines Frontends zur Administration mit TypeScript, React und Express.js
• Provisionierung von Umgebungen in GCP mittels Terraform
• Implementierung von CI/CD-Prozessen mit GitHub Actions
• Betrieb skalierbarer Produktions- und Testumgebungen in GCP mit Kubernetes, Helm und Flux CD
• Überwachung der Umgebungen mit Prometheus und Grafana
• Bereitstellung von BI-Daten im Google BigQuery Datawarehouse

• 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.

• ETL-Services für den ereignisgesteuerten Datenaustausch zwischen Unternehmenssystemen auf einem Kafka-Streaming-Backbone entworfen.
• CI/CD-Pipelines für Azure AKS-Deployments optimiert und Monitoring sowie Alerting in OpenSearch für eine proaktive Erkennung von Vorfällen verbessert.

Tech: Java / Kotlin, Quarkus, Kafka / Avro, Azure / AKS, Azure Storage Container, ArgoCD, GitLab CI, OpenSearch, Terraform

• Ein System zur Lagerbewertung wurde auf Basis von Java, Spring Boot und Camunda neu implementiert. Die Backend-Lösung konzentriert sich auf Integration und Batch-Berechnungen, das Frontend auf die Pflege der Formeln und die Überprüfung der Ergebnisse.
• Java 21
• Spring Boot
• JPA
• Maven
• REST
• Kafka
• PostgreSQL
• DB2
• Liquibase
• Google Cloud Storage
• Keycloak
• GitLab CI/CD
• Helm
• Terragrunt
• SonarQube
• Angular
• IntelliJ
• JUnit 5
• Mockito
• Open API

• IAUP (Interregional Academy of Personnel Management) beauftragte die Entwicklung eines Fernlernsystems für ihren Bereich der Sekundarschule.
• Entwicklung der Website [link]
• Entwicklung eines Abrechnungssystems und Integration mit verschiedenen Zahlungssystemen
• Entwicklung eines Fernlernsystems auf Basis der Open-Source-Lösung Moodle
• Integration des Fernlernsystems in das Benutzerbüro auf der Website [link]
• Front-End: Vue.js v2, Nuxt.js, JavaScript, HTML, CSS, SCSS
• Back-End: LAMP (Linux, Apache, MySQL, PHP), PHP-Framework Laravel, Redis, Swagger, MySQL 8.x, PayPal API
• DevOps: Docker, CI/CD, GIT

• Mobile: Kotlin Multiplatform (KMP), Kotlin, Swift, SwiftUI, Jetpack Compose, Ktor, Room, Koin
• Backend: Spring Boot, GCP Cloud Run, GCP Load Balancing, GCP Eventarc
• Planung und Entwicklung einer Cloud-Backend-Architektur mit Google Cloud Platform
• Entwicklung einer plattformübergreifenden Architektur mit Kotlin Multiplatform (KMP)
• Tech Lead für ein umfassendes Großprojekt mit Webshop, zwei Apps und einem Omnichannel-Backend

• Analyse und Beurteilung der behördlichen Fachverfahren im Hinblick auf die Migrationsfähigkeit
• Definition und Vorbereitung der technischen Rahmenbedingungen im neuen Master-Rechenzentrum
• Entwicklung und Optimierung von Migrationsverfahren und -prozessen
• Transformation von Bestandslösungen in neue technische Standards (Technology Refresh)
• Koordination von Architektur- und technischen Querschnittsthemen

• Feingetuntes quantisiertes LLaMA-Modell mit LoRA erstellt und Hyperparameter für domänenspezifische, groß angelegte NLP-Anwendungen optimiert.
• Entwicklung hybrider RAG-Architekturen auf LLM-Basis mit LangChain für den Rechtsbereich geleitet, inklusive Dokumentenextraktion, Vektorsuche, Speech-to-Text-Verarbeitung und Prompt Engineering über OpenAI-APIs.
• LLM-basierten Übersetzungsdienst gebaut, der OpenAI Whisper für Transkription mit domänenspezifischer Übersetzung kombiniert, um sensible diplomatische Terminologie zu verarbeiten.
• REST-APIs mit FastAPI und Pydantic für KI-Modelle entwickelt und integriert, in Zusammenarbeit mit Frontend-Teams produktionsreife Anwendungen in sicheren Cloud-Umgebungen bereitgestellt.
• LLM-Workflows mit CI/CD-Pipelines automatisiert, Modelle mit Docker containerisiert und in AWS für skalierbare Cloud-Infrastruktur bereitgestellt.

• Fullstack-Entwicklung unseres Produkts: Web-App (VueJS), Chrome-Erweiterung (VueJS), SDK (JS), API (NodeJS), GraphQL-Server (Hasura, Postgres)
• Entwicklung mehrerer nutzerorientierter Funktionen, Migration der App und Erweiterung von Vue2 auf Vue3, Implementierung eines E2E-Testsystems (Playwright) sowie Debugging und Refactoring im Team von 2 bis 4 Entwicklern
• Deployment auf Google Cloud Storage, inklusive Verwaltung von CI-Pipelines und Jobs