Grafana Experten in München

Ales L.

Senior DevOps Berater (Freelance)

Letzte Position:

Senior DevOps Berater (Freelance) bei European Union Agency (via IBM)

Arbeitete als freiberuflicher Senior DevOps Consultant vor Ort für IBM bei einer Agentur der Europäischen Union in einer hochsicheren, air-gapped Umgebung mit klassifizierten Systemen.
Leitete Automatisierungs- und DevOps-Initiativen für eine große OpenShift-Plattform (>400 Nodes) und trieb die Deployment-Effizienz, GitOps-Einführung und operative Automatisierung mit Ansible, Python und Bash voran, während die Sicherheitsanforderungen eingehalten wurden.
Übernahm die Automatisierung von Release- und Deployment-Workflows in einer Private-Cloud-Umgebung mit 400+ OpenShift-Nodes und verbesserte dadurch die Deployment-Geschwindigkeit und Zuverlässigkeit deutlich.
Migrierte bestehende Playbooks, Rollen und Templates von Ansible Tower zu Ansible Automation Platform (AAP), stellte die vollständige Einhaltung von Fully Qualified Collection Names (FQCN) sicher und bereitete eigene Execution Environments (EE) für containerisierte Automatisierung vor.
Implementierte den GitOps-Agent für AAP Controller Configuration as Code und ermöglichte damit die automatische Synchronisierung (CRUD) von Ansible-Controller-Objekten auf Basis von im Repository gespeicherten Konfigurationsdefinitionen über GitHub-Webhooks.
Entwarf und automatisierte komplexe mehrstufige Betriebsabläufe, darunter Environment Cleanup, die Neuerstellung von Helix-Clusterkomponenten, Kafka-Topic-Management und das Lifecycle-Management von OpenShift-Objekten über rund 100 Umgebungen hinweg.
Erreichte durch Automatisierungsverbesserungen über mehrere AAP-Cluster und OpenShift-Umgebungen hinweg eine Reduzierung von mehrtägigen manuellen Tätigkeiten auf weniger als wenige Stunden.
Integrierte Ansible Automation Platform über ein Lookup-Plugin mit Thycotic (Delinea) Secret Server, um das sichere Credential-Management in automatisierten Prozessen zu verbessern.
Verwaltete Deployment-Aufgaben, Platform-Troubleshooting und Istio-Netzwerkkonfigurationen unter Einhaltung strenger EU-PSC-Sicherheits- und Compliance-Standards.
Arbeitete mit Infrastruktur- und Anwendungsteams zusammen, um Deployment-Prozesse zu verfeinern, Namenskonventionen zu entwickeln und die Automatisierungsabdeckung in einer air-gapped, klassifizierten Umgebung kontinuierlich zu verbessern.

Michael N.

Senior ML-Engineer | AI Engineer | Problemlöser

Eichenau

Letzte Position:

Senior AI Engineer | Forward Deployed Engineer bei Tiefbau

Entwicklung eines KI-gestützten Projektorganisationstools für ein Tiefbauunternehmen, das Projekt-, Aufgaben-, Ausschreibungs-, Terminund Dokumentendaten intelligent über einen Knowledge-Graphenverknüpft.
Implementation von KI-Funktionen zur Dokumentenanalyse, Informationsextraktion, kontextbezogenen Assistenz und sprachbasierten Datenerfassung auf Basis von Microsoft Azure AI, wodurch administrative Aufwände reduziert, Informationen schneller zugänglich gemacht und Projektteams bei Entscheidungen unterstützt werden.
Technologie-Stack: Python, React, TypeScript, FastAPI, Claude Code, Codex, Graphify, PostgreSQL, Microsoft Azure AI Foundry, Azure OpenAI, Azure AI Speech, Azure AI Document Intelligence, Microsoft Graph, Microsoft Entra ID, Docker, Git, CI/CD.

Mirza K.

Agentische KI für ein DeepResearch-Projekt

München

Letzte Position:

Agentische Automatisierung und ein RAG-System

In diesem Projekt wurden Informationsdaten extrahiert, um das Verfassen von Berichten für ein Unternehmen zu unterstützen, das geopolitische, globale und kommerzielle Informationen bereitstellt. Die Daten wurden aus verschiedenen Quellen gesammelt (Interviewtranskripte, Online-Daten, interne Dokumente) und anschließend zu einer Wissensbasis zusammengeführt. Diese bildete die Grundlage für ein komplexes RAG-System, das anhand eines Golden Dataset evaluiert wurde. Agenten wurden eingesetzt, um widersprüchliche Informationen und sich gegenseitig bestätigende Aussagen zu finden sowie das generierte Wissen wieder zu speichern.

Verwendet: Python, RAG, LangGraph, LangChain, deepeval, MCP

Karen M.

Senior .NET Backend Engineer | Angewandte KI | Agentische Systeme, RAG & verteilte Architektur

Letzte Position:

Persönliches KI-Engineering-Projekt — Croky AI bei Crocky AI

Produkt:

Eine produktionsreife KI-Plattform aufgebaut, die markenkonforme Marketingbilder und Videos aus Produktdaten, Nutzeranforderungen und hochgeladenen Medien erzeugt.
Die Plattformarchitektur, die technische Roadmap, das API-Design, die Sicherheit, den Deployment-Workflow, die operative Zuverlässigkeit und die Strategie für Modellanbieter verantwortet.
Die Kernplattform in .NET entwickelt und unterstützende KI- und Workflow-Prototypen in Python gebaut, mit sprachunabhängigen API-Verträgen und strukturierten Schnittstellen zwischen Services und Modellanbietern.
Zuverlässige Hintergrundverarbeitung mit RabbitMQ implementiert, Workflow-Zustände gespeichert sowie idempotente Verarbeitung, Retries, Fehlerbehebung, Logging, sichere Speicherung, Autorisierung und Credit-Abrechnung umgesetzt.
Pragmatische Build-vs.-Buy- und Modellrouting-Entscheidungen auf Basis von Zuverlässigkeit, Latenz, Kosten und Wartbarkeit getroffen, statt auf Neuheit.

Agenten-Orchestrierung & RAG-Systeme

Agenten-Workflows mit Microsoft Agent Framework, LangGraph und LangChain aufgebaut und verglichen, einschließlich Tool-Nutzung, bedingter Weiterleitung, Klärungsschritten, Zustandsverwaltung und Übergaben zwischen Agenten.
Wiederverwendbare .NET-Komponenten für Agenten, Prompts, Tools, Modellanbieter, strukturierte Antworten und Retrieval mit pyvector implementiert, um den Wechsel von KI-Anbietern zu erleichtern, ohne den Kern-Workflow neu schreiben zu müssen.

Vicenco K.

Interims-IT-Teamlead / IT-Service-Management / IT-Projektmanagement / Solution Architect

Brunnthal

Letzte Position:

ITSM Projektmanager (selbständig)

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

Marco T.

Scrum Master

München

Letzte Position:

Scrum Master bei Siemens Energy

Verantwortlich für die Einführung agiler Methoden innerhalb des Interface- & Integration-Teams (2 Scrum-Teams)
Planung und Durchführung von Trainings zu agilen Methoden
Moderation von Workshops und Scrum-Events
Beseitigung von Hindernissen
Steigerung der Sprint-Performance

Ljubomir O.

Senior Testautomatisierungsingenieur | QA-Ingenieur

München

Letzte Position:

Senior Software Test Ingenieur bei Keil KTM GmbH

Arbeitnehmerüberlassung

System-Black-Box-Integrationstests (BBIT, IVVQ): Durchführung von Regressions-, Freigabe-, Bestätigungs- und Konformitätstests für sicherheitskritische Bremssteuergeräte in Bahnindustrie
Softwaretest-Applikation & Integration: Runtime-Konfiguration von Software-Komponenten und Bibliotheken, Validierung von Schnittstellen, Konfigurationsabhängigkeiten und Komponenteninteraktionen
Testautomatisierung (FEAT-Framework): Mitentwicklung und Weiterentwicklung eines automatisierten Testframeworks für Testausführung, Reporting und Ergebnisanalyse
Funktionale Sicherheit (SiL4, FuSi): Sicherstellung der Einhaltung von Sicherheitsanforderungen, Traceability und Coverage sowie Normkonformität gemäß EN50126/28/29
Testautomatisierung für Kommunikationskomponenten: Konfiguration und Validierung der Feldbus-(CAN) und Ethernet-basierten TCMS Datenkommunikation-Schnittstellen (TRDP und CIP)
Anforderungsanalyse & Shift-Left (PTC Windchill ALM): Analyse von Software- und Systemartefakten zur Identifikation von Lücken, Mehrdeutigkeiten und Redundanzen im frühen SDLC
Testdesign & Testfallentwicklung: Ableitung von Testbedingungen, Abdeckungsstrategien und Implementierung datengetriebener Testfälle (DDT) inkl. wiederverwendbarer Testdaten-Fixtures
CI/CD & Automatisierung (Python, PowerShell, Jenkins, SVN): Automatisierung von Build-, Test- und HIL-Deployment-Prozessen sowie Integration in CI/CD-Pipelines
Testdaten & Konfigurationsmanagement (XML): Pflege und Anpassung von XML-Testvektoren und Systemkonfigurationen mit automatisierter Integration in Testumgebungen
Nicht-funktionales Testen: Durchführung von Performance- und Lasttests zur Bewertung von Stabilität und Systemverhalten
Agile Entwicklung & Defect Management (JIRA, Confluence): Mitarbeit in Scrum-Teams, Testkoordination, Review von Testartefakten sowie Defect Tracking und Root-Cause-Analyse
Fehleranalyse & Debugging (CANoe, CANalyzer): Analyse von Fehlern und Nachrichtenflüssen über mehrere Systemebenen (Applikation bis Bus)
Modellbasierte Analyse (UML, Enterprise Architect): Spezifikation von SUT/SOW und Unterstützung der systematischen Teststeuerung
Prozess- & Testdokumentation: Erstellung von Integrations- und Testdokumentation gemäß internen Qualitäts- und Zertifizierungsanforderungen

Tamás E.

Senior Software Developer / Tech Lead

Letzte Position:

Senior Software Developer / Tech Lead bei NDA (Verteidigung / OSINT)

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

Ronald M.

DevOps-Berater

Letzte Position:

DevOps Consultant bei M.it services & systems GmbH

Anpassung, Optimierung, Konfiguration und Administration einer Multi-Stage-GitLab-Instanz mit über 250 Usern
Aufbau, Anpassung, Erweiterung und Optimierung von Infrastruktur, Konfiguration und Monitoring
Bereitstellung von Services sowie Übergabe an die Produktion
Systemumgebung: DependencyTrack, GitLab, Grafana, Hedgedoc, Kubernetes, Oauth2 Proxy, Openstack, Prometheus, Syseleven

Alexandru G.

Leiter Cloud-Infrastruktur

Letzte Position:

Principal Cloud DevOps Architect bei BP

In meiner Rolle als Senior Cloud DevOps Architect bei BP, einem Öl- und Gasunternehmen, hatte ich die Aufgabe, die Plattform für das Laden von Elektrofahrzeugen der EV Division von On-Premises und Azure in die AWS-Cloud zu migrieren, was zu einer hybriden Multi-Cloud-, Multi-Tenant-SaaS-Lösung führte.

Der Einsatz von Kubernetes für die Anwendungsebene bedeutete die Bereitstellung von Kubernetes-Clusters, die von EKS und AKS verwaltet wurden, mit Fokus auf die Integration in eine Multi-Tenant-Umgebung. Diese Integration wurde durch den Einsatz von Kubernetes-Namespace und Zugriffskontrollen erreicht, um Datenisolation und Datenschutz sicherzustellen.

Auf der Datenbankebene entschieden wir uns für eine RDS-Instanz mit PostgreSQL zur Unterstützung der Backend-Infrastruktur unserer Anwendungen. Die Mandanten teilten sich dieselbe RDS-Instanz, hatten aber jeweils ein eigenes Schema.

Um nahezu in Echtzeit Daten von physischen Ladestationen (CPOs) als IoT-Geräte über das OCPI-Protokoll aufzunehmen, stießen wir bei der Batch-Verarbeitung auf erhebliche Verzögerungen. Daher entwickelten wir eine Streaming-Datenpipeline in Echtzeit mit Apache Kafka und setzten dabei auf eine eventgetriebene Architektur.

Ich leitete die Zusammenarbeit über mehrere interne Teams, externe Anbieter, Cloud-Provider und Partner vor Ort hinweg, um über fünf Systeme in eine einheitliche Lösung zu integrieren.

Erfolge:

Erfolgreich hybride Multi-Cloud-Lösungen entworfen und umgesetzt, die mehrere Cloud-Plattformen (AWS, Azure) mit On-Premises-Infrastruktur unter Einsatz von Site-to-Site-VPNs, Firewalls und Load Balancing integrierten.
Die Migration der On-Premises-Infrastruktur zu einer Multi-Cloud-, Multi-Tenant-Infrastruktur geleitet, was zu 30 % schnelleren Verarbeitungszeiten führte.
Workloads aus VMware- und Hyper-V-Umgebungen auf cloudbasierte VMs migriert und dabei Cloud-native Services genutzt, um Leistung, Kosteneffizienz und Skalierbarkeit zu optimieren.
Eine Multi-Tenant-Kubernetes-Plattform entworfen, die das Kubernetes-Ökosystem nutzt, mit Karpenter für die dynamische Bereitstellung von EC2-Nodes, KEDA für eventgesteuertes Pod-Autoscaling (z. B. Kafka-Message-Lag) und Rancher für das zentrale Monitoring mehrerer Cluster (EKS, AKS oder On-Prem K8s), als Ersatz für den Microsoft-zentrierten Azure-Arc-Management-Service.
Python-basierte FastAPI-Microservices als Teil des EV-Core-Backends auf der AWS-EKS-Anwendungsebene entworfen und umgesetzt, die Datenaufnahme- und Kundenanalyse-Pipelines antreiben.
Asynchrone, eventgetriebene APIs (Python-FastAPI) für die Echtzeit-Integration mit CPOs entwickelt, mit Unterstützung für OCPI 2.3 und OICP-Protokolle.
Eine sichere, produktionsreife Azure-Databricks-Plattform mit Terraform entworfen und umgesetzt und dabei Skalierbarkeit und Kosteneffizienz sichergestellt.
On-Premises-ERP auf eine hybride Dynamics-365-Architektur migriert, mit ERP lokal gehostet und CRM in Azure betrieben, integriert über Azure Arc.
CI/CD-Pipelines für Databricks-Notebooks und Jobs mit GitHub Actions und Databricks CLI automatisiert, wodurch die Bereitstellungszeit reduziert wurde. Die Bereitstellungszeit für Infrastruktur durch Automatisierung der Cloud-Ressourcenbereitstellung mit GitOps um 70 % reduziert.
Die Einhaltung interner Audit- und Data-Governance-Standards (GDPR) durch OAuth2/OIDC-basierte Authentifizierung und fein abgestufte rollenbasierte Zugriffskontrollen sichergestellt.
Ein Zero-Trust-Sicherheitsmodell entwickelt, das Least-Privilege-Zugriffe und Mikrosegmentierung durchsetzt und die Sicherheitslage sowie die Compliance mit GDPR und NIST verbessert.
Interaktive Analytics-Dashboards in Amazon QuickSight erstellt, die Daten aus S3 und Redshift integrieren, um Echtzeit-Business-Insights und Visualisierungen mit eingebettetem Zugriff für Multi-Tenant-Nutzer bereitzustellen.
Cloud-Sicherheitsbewertungen und eine Sicherheitsintegration über den gesamten Lebenszyklus während M&A geleitet, einschließlich AWS, Azure, IAM (Entra ID) und Datenschutz, und dabei die Sicherheitslage mit NIST, ISO 27001 und GDPR über hybride und cloud-native Umgebungen hinweg ausgerichtet.
Die Cloud-Kosten für eine Dev-Umgebung eines Kunden um 64 % gesenkt, indem automatisierte Start-/Stopp-Zeitpläne für EC2- und RDS-Instanzen über AWS CDK mit EventBridge Scheduler oder AWS Systems Manager implementiert wurden.

Tech-Stack:

Infrastructure as Code: Terraform, AWS CDK, Ansible.
Container: Kubernetes auf EKS, AKS, Docker.
Streaming-Datenverarbeitung: Kafka zu Confluent Cloud, nach AWS MSK.
Frontend: TypeScript, React, NextJS, Hooks, Styled Components.
Backend: Python mit FastAPI, außerdem Node.js mit NestJS.
Datenbank: Aurora auf PostgreSQL mit TypeORM, RDS auf SQL Server, vollständiges Setup und Administration von Azure Databricks, ETL-Pipelines.
CI/CD und GitOps: GitHub Actions, Azure DevOps, ArgoCD.
Monitoring und Observability: Prometheus und Grafana.
Virtualisierung: Hyper-V, VMware Cloud on AWS, Azure Migrate.
ERP-Systeme: Odoo, Microsoft Dynamics 365 Business Central auf Azure, integriert mit Azure Arc.
Netzwerke: Site-to-Site-VPNs, AWS Direct Connect, Azure ExpressRoute, Firewalls (AWS Network Firewall, Azure Firewall).
Sicherheit: IAM, NIST Framework, Zero-Trust-Sicherheit, AWS WAF, AWS Shield, GuardDuty.

Thomas H.

Senior MLOps-, DevOps Engineer

Letzte Position:

Senior MLOps-, DevOps Engineer bei Trianel Energy

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).

Damian Ś.

CTO

Letzte Position:

CTO bei FRATCH.IO

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.

Frank E.

DevOps

Ismaning

Letzte Position:

DevOps bei Lauck-IT

Betrieb und Erweiterung von Azure DevOps-Pipelines
Betrieb und Erweiterung von AWS-Services
Citrix (Windows 10, Bitwarden)
AWS: ECR, EKS, CloudFront CDN, Route 53, VPC Peering und CNI-Upgrade, Atlas MongoDB, S3-Buckets, Hosting statischer Websites
Azure: Build und Deployment mit DevOps-Pipelines

Serge K.

MLOps (Machine Learning Operations)

Letzte Position:

MLOps (machine learning operations) bei REWE Digital GmbH

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

Stefan W.