Kubeflow Experten in München
aus über 15.000 Lebensläufen mit der Kraft von KIHolen Sie sich Experten, die Kubeflow-Pipelines entwerfen, das Modelltraining und Serving auf Kubernetes optimieren und ML-Workflows mit Storage, CI/CD und Monitoring verbinden. Erhalten Sie schnelles, präzises Matching mit geprüften, verfügbaren Freelancern.
Lerne FRATCH Experten in München kennen, die kürzlich Kubeflow eingesetzt haben
Michael Nelz
Letzte Position:
Senior ML-Ingenieur, KI-Ingenieur bei Lanxess AG
- 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.
Philipp Grunert
Letzte Position:
Data Scientist & ML Engineer bei Data-Science Factory GmbH
- 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
Thomas Hoefkens
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).
Serge Kalinin
Letzte Position:
MLOps (machine learning operations) bei REWE Digital GmbH
- 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
Stephan Sahm
Letzte Position:
Senior Data/ML-Berater & Technischer Leiter bei Jolin.io
Rolle: Software-Ingenieur & Angewandter Mathematiker (Mathematische Optimierung für Terminplanung; Dauer: 1 Monat; Teamzusammenstellung: Team von 2, remote; Technologien: JuMP, Julia, Pluto, Svelte, JavaScript, TypeScript, JetBrains Space, Terraform, Nomad)
Rolle: Software-, Cloud- & Web-Ingenieur (Aufbau eines skalierbaren Data-Science-Rechenclusters von Grund auf; Dauer: 11 Monate; Teamzusammenstellung: Team von 1, vor Ort; Technologien: Terraform, Kubernetes, k8s ingress, k8s services, k8s RBAC, k8s networking, k3s, etcd, S3, DNS, Zertifikate, Julia, Pluto, JavaScript, Tailwind, Astro, npm, Parcel, Preact, MUI, JWT, AWS SQS, AWS RDS, Python, GitLab, GitHub)
Rolle: KI- & Web-Ingenieur (Individueller ChatGPT-Dienst; Dauer: 1 Monat; Teamzusammenstellung: Team von 2, remote; Technologien: Python, Poetry, LangChain, Tailwind, ChatGPT API, Flask, FastAPI)
Rolle: Architekt & Dateningenieur (Einrichtung und Befüllung eines zentralen Data Lakes; Dauer: 9 Monate; Teamzusammenstellung: Team von 5, remote; Technologien: Infrastructure-as-Code, AWS CDK, Python, Boto3, PySpark, AWS Glue, IAM, S3, ECS, Fargate, Lambda, Apache Hudi, DeltaLake, Databricks, GitHub, Jira, Miro)
Rolle: Software-Ingenieur (PoC zur Migration von scikit-decide nach Julia; Dauer: 1 Monat; Teamzusammenstellung: Team von 2, remote; Technologien: Python, Julia, GitHub)
Himanshu Negi
Letzte Position:
Principal (Datenwissenschaftler/Dateningenieur/Gen-AI-Ingenieur) bei Marktguru Deutschland GmbH
Konzipierte eine agentenbasierte Echtzeit-Engine zur Angebotsorchestrierung, in der spezialisierte Agenten (Retrieval, Pricing/Optimierung und Richtlinien/Guardrails) zusammenarbeiten, um Promotionen über alle Touchpoints zu personalisieren, mittels RAG mit FAISS auf Delta Lake und latenzarmem Databricks Model Serving. Arbeit mit Produktmanagern und kommerziellen Stakeholdern zur Roadmap-Gestaltung und Bewertung neuer Agentenmuster für den Produktionseinsatz.
Entwickelte einen agentenbasierten Data-Quality-Service, der Schema-Erkennung, Entity-Normalisierung und Validator-/Exception-Handling-Agenten orchestriert, um SKU-Feeds mehrerer Händler in großem Maßstab zu bereinigen. Verpackte Modellaufrufe in PySpark-UDFs für verteilte Inferenz, automatisiert über Databricks Workflows und CI/CD.
Entwickelte eine multimodale, agentenbasierte Extraktions-Pipeline, in der Vision-, Parsing- und Compliance-Agenten zusammenarbeiten, um Marke, Verpackung und Volumen aus gescannten Bildern mit Claude 3 Sonnet und Swin Transformer-Encodern zu extrahieren. Orchestriert über Azure Event Hub, mit Speicherung der Ergebnisse in Delta Lake.
Implementierte einen GS1-Taxonomie-Klassifizierungsservice, der auf kooperierenden Agenten für Inferenz, Drift-Monitoring und automatisierte Retrainings-Governance basiert, unter Nutzung von Falcon 180B (LoRA-feinjustiert) mit Batch-Pipeline auf Databricks.
Erstellte einen hybriden Agenten-Workflow, bei dem ein Retrieval-Agent Kandidaten über Embeddings ermittelt und ein Reasoning/Verifikations-Agent (Mixtral 8x7B) die Übereinstimmung von Beleg und SKU überprüft, integriert in eine Streaming-Pipeline auf Databricks.
Entwickelte eine multimodale Attribut-Inferenz-Pipeline, aufgebaut aus kooperierenden Vision-Sprach-, Regel-/Konsistenz- und Compliance-Agenten, um NutriScore, Nährwertfelder und Verpackungsarten aus Namen und Bildern mit LLaMA 3-8B und CLIP-Embeddings zu ermitteln.
Entwickelte ein GenAI-basiertes Orchestrierungssystem, das Rezepte von mehreren Websites einliest, Zutaten über strukturierte Extraktions-Agenten analysiert und diese dynamisch über Tagging, semantisches Reasoning und Business-Rule-Agenten mit Echtzeit-Händlerangeboten verknüpft.
Martin Musiol
Letzte Position:
Product Owner AI-Lernplattform bei B2B Tech Scale-Up
- Agiler Aufbau einer multimodalen Analyseplattform für Trainingsmaterial (Video, Audio, Dokumente) nach Scrum
- Extraktion kontext-relevanter Inhalte basierend auf Nutzerprofilen & Kompetenzdimensionen
- Personalisierte Ausspielung von Lerninhalten zur Steigerung der Vertriebsperformance
- Enge Abstimmung mit Sales-Teams & Stakeholdern zur Validierung der Features
- Einsatz von Gemini, Whisper, Python & JavaScript, Deployment auf AWS, Perl für Skripte zur Datenübernahme
- Integration in bestehende Tools & CRM-Systeme zur reibungslosen Einführung
- Genutzte Technologien: Python, OpenAI, Datenbanktechnologien wie PostgreSQL, CI/CD für Airflow-DAGs, FastAPI
Entdecke mehr als 15.000 Top-Freelancer
Statistiken von Experten, die Kubeflow einsetzen
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
17 Jahre
Positionsdauer
2,5 Jahre
Positionen pro Freelancer
10
Häufigste Fachbereiche
Informationstechnologie (IT), Produktentwicklung, Business Intelligence
Häufigste Branchen
Informationstechnologie (IT), Bildung, Bank- und Finanzwesen
Fokus der Zertifizierungen
Business Intelligence, Informationstechnologie (IT), Projektmanagement
Bachelor-Abschluss oder höher
100%
Master-Abschluss oder höher
100%
Doktortitel
33%
Zertifizierungen pro Freelancer
4
Häufigste Sprachen
Deutsch, Englisch, Französisch
Sprechen zwei oder mehr Sprachen
100%
Basierend auf unserem Profilpool, Stand 30 Aug 2026.
Tagessatzverteilung
Das Diagramm zeigt, wie sich die Tagessätze der Freelancer in dieser Technologie in München verteilen, basierend auf aktuellen Verträgen auf unserer Plattform. Jeder Balken deckt eine Tagessatzspanne ab – seine Höhe zeigt, wie viele Freelancer innerhalb dieser Spanne abrechnen.
Durchschnittssätze von Experten in München, die Kubeflow einsetzen
Die Tagessätze basieren auf aktuellen Verträgen und enthalten keinen FRATCH-Aufschlag.
Der durchschnittliche Tagessatz ist der Mittelwert aller Tagessätze aus aktuellen Verträgen vergleichbarer Freelancer auf unserer Plattform.
Der Median-Tagessatz ist der mittlere Wert aller Tagessätze – die Hälfte der vergleichbaren Freelancer verlangt weniger, die andere Hälfte mehr. Anders als der Durchschnitt wird er von Ausreißern kaum beeinflusst.
Berechnet auf Basis der Tagessätze unserer Freelancer, Stand 30 Aug 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Über die Technologie
Kubeflow-Grundlagen
Kubeflow ist ein auf Kubernetes basierender Stack, mit dem sich Machine-Learning-Workflows wiederholbar ausführen lassen. Es hilft Teams dabei, Training, Tracking, Serving und Orchestrierung in einem System zu bündeln, statt alles über verstreute Skripte zu lösen. Unternehmen setzen es ein, wenn ML-Arbeit von Notebooks in verlässliche Produktionsläufe überführt werden muss.
Was es liefert
- Wiederholbare Trainingsjobs und Pipeline-Schritte
- Experiment-Tracking und Verwaltung von Artefakten
- Model Serving mit KServe und verwandten Komponenten
- Notebook-Umgebungen für gemeinsame Arbeit
- Integration mit Kubernetes, Storage und CI/CD
Wichtige Fähigkeiten
Starke Kubeflow-Spezialisten kennen sich mit Kubernetes, Containern, YAML und dem Design von ML-Workflows aus. Sie brauchen außerdem ein solides Verständnis von Python, Datenverarbeitung und Deployment-Mustern für die Arbeit am Modelllebenszyklus. Die besten Experten halten Pipelines einfach, gut beobachtbar und leicht erneut ausführbar.
Wann Unterstützung sinnvoll ist
Teams suchen meist freiberufliche Unterstützung, wenn aus einem Proof of Concept ein produktionsreifes System werden soll oder wenn eine Plattform bereits komplex und anfällig ist. Typische Anzeichen sind fehlerhafte Pipeline-Läufe, unklare Zuständigkeiten, schwierige Upgrades und Serving-Setups, die schwer zu skalieren oder abzusichern sind. In München passt das oft zu Teams, die mit regulierten Daten, industrieller KI oder internen ML-Plattformen arbeiten.
Einbettung ins Ökosystem
Kubeflow steht oft neben Kubernetes, Argo Workflows, MinIO, S3-kompatiblem Storage, MLflow und KServe. Ein guter Spezialist weiß, wo Kubeflow die Orchestrierung übernehmen sollte und wo ein anderes Tool besser passt. Dieses Urteilsvermögen ist wichtiger, als jede ML-Aufgabe in einen einzigen Stack zu pressen.
Wie gute Arbeit aussieht
Gute Kubeflow-Arbeit hinterlässt klare Pipelines, dokumentierte Parameter, stabile Images und saubere Übergabehinweise. Dazu gehören auch eine sinnvolle Rechtevergabe, nutzbare Logs und Deployment-Schritte, die andere Spezialisten nachmachen können. Für Münchner Teams ist die Zusammenarbeit aus der Ferne oft üblich, aber Vor-Ort-Termine können helfen, wenn Plattformzugang, Sicherheit oder die Abstimmung mit Stakeholdern sensibel sind.
Häufig gestellte Fragen
Fragen zu Kubeflow? Hier findest du die passenden Antworten.
Kubeflow wird genutzt, um Machine-Learning-Workflows auf Kubernetes wiederholbar auszuführen. Teams verwenden es für Trainingspipelines, Experiment-Tracking, Model Serving und die Zusammenarbeit über Notebooks. Besonders nützlich ist es, wenn ML-Arbeit von ad-hoc-Skripten zu verwalteten Produktionsprozessen wachsen soll.
Kubeflow ist umfassender als MLflow, weil es Orchestrierung und Plattform-Workflows abdeckt, nicht nur das Tracking. Im Vergleich zu einfachem Kubernetes ergänzt es ML-spezifische Bausteine wie Pipelines und Serving-Integrationen. Viele Teams nutzen MLflow zusammen mit Kubeflow, wenn sie sowohl Experiment-Tracking als auch Workflow-Orchestrierung wollen.
Ein starker Kubeflow-Spezialist kennt sich meist mit Kubernetes, Containern, YAML und CI/CD-Mustern aus. Auch Python, Datenpipelines, Storage-Einrichtung und Monitoring sind wichtig, weil Modellarbeit selten mit dem Training endet. Erfahrung mit KServe, Argo Workflows und Cloud- oder On-Prem-Umgebungen ist ein starkes Signal.
Für einen einfachen Proof of Concept kann ein fokussierter Kubeflow-Experte ausreichen, um Pipelines und Serving schnell aufzusetzen. Für den produktiven Einsatz braucht man jemanden, der sich mit Upgrades, Zugriffskontrolle, Storage, Beobachtbarkeit und Fehlerbehebung auskennt. Je stärker die Plattform von mehreren Teams gemeinsam genutzt wird, desto wertvoller wird diese Tiefe.
Die meiste Kubeflow-Arbeit kann remote erledigt werden, weil die Kernaufgaben Plattformdesign, Pipeline-Definition und Fehlersuche sind. Vor-Ort-Zeit hilft, wenn Sicherheitsprüfungen, der Zugriff auf interne Cluster oder teamübergreifende Workshops wichtig sind. In München kombinieren viele Unternehmen beides, damit Spezialisten sich mit lokalen Stakeholdern abstimmen und trotzdem effizient liefern können.
Ein gesundes Kubeflow-Setup hat wiederholbare Läufe, klare Logs, stabile Images und eine einfache Zuordnung der Zuständigkeiten für jeden Pipeline-Schritt. Teams sollten neu trainieren, neu ausrollen und zurückrollen können, ohne raten zu müssen. Wenn sich die Plattform fragil anfühlt oder jede Änderung manuelle Korrekturen braucht, muss das Setup überarbeitet werden.
Unternehmen vergleichen Kubeflow oft mit SageMaker, Vertex AI, Azure Machine Learning oder einem schlankeren Kubernetes-basierten Stack. Die richtige Wahl hängt davon ab, ob das Team einen verwalteten Cloud-Service oder mehr Kontrolle über die eigene Plattform möchte. Kubeflow passt am besten, wenn das Team Flexibilität will und bereits stark mit Kubernetes arbeitet.
Ein starker Kubeflow-Freelancer kann Designentscheidungen erklären und nicht nur Tools aufzählen. Achten Sie auf eine klare Pipeline-Struktur, praktisches Kubernetes-Wissen und Beispiele für Modell-Workflows, die andere betreiben können. Gute Spezialisten sprechen auch klar über Kompromisse, Upgrades und darüber, was sie zuerst vereinfachen würden.
Der durchschnittliche Stundensatz von Freelancern in München, Deutschland, die Kubeflow in ihren letzten Projekten eingesetzt haben, liegt bei 106 €, was einem Tagessatz von etwa 846 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern in München, Deutschland, die Kubeflow in ihren letzten Projekten eingesetzt haben, haben 100% mindestens einen Bachelor-Abschluss, 100% mindestens einen Master-Abschluss und 33% einen Doktortitel.
Freelancer in München, Deutschland, die Kubeflow in ihren letzten Projekten eingesetzt haben, haben im Durchschnitt 17 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 2,5 Jahre.
Die häufigsten Sprachen unter Freelancern in München, Deutschland, die Kubeflow in ihren letzten Projekten eingesetzt haben, sind Deutsch (100%), Englisch (100%) und Französisch (43%).
Die häufigsten Industrien unter Freelancern in München, Deutschland, die Kubeflow in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (100%), Bildung (57%) und Bank- und Finanzwesen (57%).
Die häufigsten Bereiche unter Freelancern in München, Deutschland, die Kubeflow in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (100%), Produktentwicklung (100%) und Business Intelligence (86%).
Hauptstandorte der FRATCH Experten, die kürzlich Kubeflow eingesetzt haben
Unsere Freelancer und Interim-Experten sind in der gesamten DACH-Region zuhause — verfügbar vor Ort in den wichtigsten Wirtschaftszentren oder komplett remote. Wähle einen Standort und entdecke passende Spezialisten, lokale Markteinblicke und aktuelle Verfügbarkeiten.
Länder:
Berlin Hamburg 
München Köln Frankfurt Stuttgart Düsseldorf Leipzig Dortmund Essen Bremen Dresden Hannover Nürnberg Kostenlose Demo vereinbaren
Kontaktiere uns und das FRATCH-Team meldet sich innerhalb von 4 Stunden bei dir.
Möchtest du lieber direkt mit uns in Kontakt treten?
Wir haben immer Zeit für einen Anruf oder eine E-Mail!
Philipp Thomaschewski
FRATCH CEO
