Microsoft Azure Experten in Berlin

• LLM-basierte Funktionen zur automatisierten CO₂e-Datenextraktion aus unstrukturierten Dokumenten (70 % Reduktion)

• Agentic-AI-Pipeline für die automatisierte Berechnung von Scope-3-Emissionen mit 150.000+ validierten Datensätzen

• Intelligente API-Workflows für Echtzeit-Berechnungen des CO₂-Fußabdrucks in ERP- und ESG-Systemen

• ML-Algorithmen zur Vorhersage von Emissionshotspots und zur Optimierung des Produktdesigns

• Automatisierte Datenvalidierungs-Pipelines mit NLP zur Qualitätssicherung von CO₂e-Datensätzen

• Leitung eines 15-köpfigen cross-funktionalen Teams zur Entwicklung von 10+ AI-Features

• Strategische Produktplanung und AI-Roadmap mit 35 % kürzerer Time-to-Market

• Stakeholder-Management mit DAX-Unternehmen (40 % höhere Zufriedenheit, 95 % Retention)

• Termingerechte Projektumsetzung mit 95 % Budgeteinhaltung durch datengetriebenes Backlog-Management

• Agile Methoden (Scrum, Kanban) mit kontinuierlicher AI/ML-Integration (25 % mehr Team-Velocity)

• Product-Market-Fit für AI-Features durch A/B-Testing und Analytics (60 % höhere Adoption-Rate)

• Unterstützung eines Integrationsprojekts zwischen SAP S/4HANA und einem MES / Siemens Opcenter System über Azure Middleware.
• Zuständig für SAP-seitige Analyse, Mapping und Bereitstellung relevanter Datenobjekte wie Materialstammdaten, Produktionsaufträge und Prozessaufträge mit SAP-Standard-APIs und OData-Services.
• SAP-seitiges Mapping für Materialstamm, Produktionsaufträge und Prozessaufträge.
• Einsatz der Services API_PRODUCT, API_PRODUCTION_ORDER_2_SRV und API_PROCESS_ORDER_2_SRV.
• Berücksichtigung von SAP S/4HANA Advanced Available-to-Promise für Auftragsbestätigung, Produktionsverfügbarkeit und nachgelagerte MES-Ausführung.
• Unterstützung bei SAP Gateway und OData-Service-Themen.
• Schnittstellenkoordination zwischen SAP S/4HANA, Azure Middleware und MES / Siemens Opcenter.
• Unterstützung bei Tests, Monitoring und Fehleranalyse.
• Arbeit mit dem BTC Cockpit und dem Deloitte ASADEV Tool.

• Private Cloud-Datenplattform auf VMware vSphere entworfen und implementiert, Greenplum MPP, Apache Kafka, Kubernetes und Apache Solr integriert und Echtzeit-Ingestion-Pipelines mit Kafka Connect und Schema Registry entwickelt.
• Migration von Oracle Exadata zu Greenplum geleitet, Datenmodelle neu architektonisch aufgebaut, Speicher optimiert, RabbitMQ mit Debezium für CDC implementiert und VectorDB für Generative AI eingeführt.
• PoC für Multi-Cloud-Migration über AWS, Azure und GCP entworfen und umgesetzt, KPIs für Durchsatz, Latenz und Kosteneffizienz definiert, Bulk-Datentransfers durchgeführt, Analytics- und Streaming-Workloads validiert und Architektur-Empfehlungen im großen Maßstab geliefert.
• Legacy-On-Premises-Infrastruktur bewertet und moderne cloud-native Datenplattformen mit Greenplum und containerisierten Microservices entworfen, mit Beratung zu Skalierbarkeit, Disaster Recovery und High Availability.

• Verantwortlich für die Full-Stack-Entwicklung einer AI-native Unternehmensplattform auf Basis von TypeScript, React, Vite, tRPC, Hono und PostgreSQL, die KI-gestützte Beratungs-Workflows für B2B-Kunden liefert.
• Entwarf und lieferte ein Multi-Agenten-KI-System mit dem ReAct-Framework und Claude-Skills-Workflow-Mustern, inklusive eines intelligenten PM-Assistenten mit umfangreichen System-Prompts, Slash-Befehlen, Tool-Integrationen und Streaming-Chat-Oberfläche.
• Entwickelte ein LLM-Bewertungs-Framework: rubrikbasierte LLM-als-Richter, Golden Datasets, Regressionstests und automatisierte Qualitätssicherung — für konsistente KI-Ausgabequalität in großem Maßstab.
• Integrierte LangFuse für durchgehendes LLM-Tracking, Konversations-Wiedergaben und Bewertungs-Pipelines, was datengetriebene Prompt-Optimierung ermöglichte und Token-Kosten sowie Antwort-Varianz reduzierte.
• Implementierte Drizzle ORM, pgvector und Knowledge Graphs für strukturierten Datenzugriff, semantische Suche und beziehungsorientiertes KI-Schlussfolgern über die gesamte Plattform.
• Führte die TanStack React Query-Migration in der gesamten Anwendung durch — ersetzte manuelles State-Management durch zentrales Caching und automatisches Refetching, was den Boilerplate-Aufwand für Datenabrufe deutlich reduzierte.
• Setzte AI-native Entwicklung durchgehend ein: Claude Code, Codex, Perplexity SDK und LLM-unterstütztes Testing im gesamten Entwicklungszyklus. Deployment auf Vercel + Azure ACA mit Biome für Linting/Formatting.

• Beratung von Unternehmen beim Aufbau, bei der Migration und Optimierung von BI- und Reporting-Landschaften (Power BI, SQL, Python, ETL)

• 5 Kundenprojekte in Immobilien und Finanzen seit 05/2025: Übernahme und Stabilisierung bestehender Reports, Automatisierung wiederkehrender Standard- und Managementberichte, Aufbau von Cashflow-Modellen

• Angebots- und Machbarkeitsbewertungen für BI- und Reporting-Projekte

• Einsatz von KI-gestützter Entwicklung (Claude Code), um Automatisierung, Tooling sowie Web-/App-Entwicklung zu beschleunigen

• Individuelles ERP-System

• Problem: Die Kernprozesse eines Kunden liefen über verstreute, voneinander getrennte Excel-Dateien ohne zentrale Datenspeicherung – fehleranfällig, schwer skalierbar und nicht durchgängig auswertbar.

• Vorgehen: Geschäftsprozesse und Anforderungen aufgenommen, Daten modelliert und iterativ gemeinsam mit dem Fachteam entwickelt.

• Umsetzung: Ein maßgeschneidertes, webbasiertes ERP-System mit zentraler Datenbank, rollenbasierten Modulen und automatisiertem Reporting aufgebaut – umgesetzt mit KI-gestützter Entwicklung in Claude Code.

• Zeiterfassungs-App

• Ausgangssituation: Zeiterfassung auf Basis einer überladenen, makrolastigen Excel-Vorlage – wartungsintensiv, nur für einen Nutzer und fehleranfällig.

• Umsetzung: Alle Funktionen und VBA-Makros in eine eigenständige Web-App mit zentraler Datenspeicherung, Mehrbenutzerfähigkeit und automatisiertem Reporting überführt.

• Cashflow-Modellierung

• Ausgangssituation: Das bestehende Cashflow-Modell deckte nur Bestandsinvestitionen ab; Projektentwicklungen fehlten in der Steuerung.

• Umsetzung: Das CF-Modell aufgebaut und erweitert, um Cashflows aus Projektentwicklungen einzubeziehen.

• Optimierung: Bestehende CF-Modelle geprüft und optimiert sowie die KPI-Ausgaben für Reporting und Steuerung erweitert.

• 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.

KI-Plattform-Backend – Senior Developer

Engagiert, um ein Backend für eine KI-Plattform von Grund auf zu konzipieren und aufzubauen, inklusive Multi-Provider-LLM-Orchestrierung und Echtzeitinfrastruktur für KI-Influencer-Personas im großen Maßstab.

Aufgaben und Verantwortlichkeiten

• Architektur und Implementierung einer Multi-LLM-Orchestrierungsschicht mit Semantic Kernel zur Integration von GPT-4 und weiteren Anbietern für die Kernplattformlogik und KI-Influencer-Personas, Reduzierung des Modellwechsel-Overheads durch Abstraktion der Anbieter-APIs hinter einer einheitlichen Schnittstelle.
• Entwurf und Entwicklung eines Backends von Grund auf in C# / .NET 10, einschließlich Domain-Modellierung mit DDD, versionierter RESTful-API-Schicht und Cloud-Infrastrukturaufbau auf Azure.
• Aufbau einer Echtzeit-Chat-Infrastruktur mit Server-Sent Events (SSE), Nachrichtenpersistenz und Zustellungsgarantien für den Live-Betrieb von KI-Influencer-Personas im großen Maßstab.
• Entwicklung eines Medienverwaltungsdienstes mit Integration von Cloud-Objektspeicher für Upload und Abruf influencer-generierter Inhalte.
• Erstellung einer Integrations- und Unit-Test-Suite mit Daten-Seeding für zuverlässige Regressionstests über alle Kernplattform-Flows, deutliche Reduzierung der Produktionsfehlerrate.

Werkzeuge und Technologien: C#, .NET, ASP.NET Core, Python, TypeScript, MySQL, Semantic Kernel, EF Core, Minimal APIs, LLM Orchestration, Prompt Engineering, Agentic AI, Generative AI, AI-Assisted Engineering, Claude Code, GitHub Copilot, Google Gemini, OpenAI API, Ollama, Redis, Azure, Azure Container Apps, Azure Database for MySQL, Docker, GitHub Actions, Clean Architecture, Vertical Slice Architecture, CQRS, Domain-Driven Design, REST API, xUnit, Integration Testing, Unit Testing, Jira, Confluence, Scrum

• Entwickelte ein JTBD-basiertes Priorisierungs-Framework für über 3.000 gesammelte Feature-Anfragen, identifizierte 27 Makler-Jobs, validierte 8 davon in 25 Nutzerinterviews und nutzte die daraus resultierende Job-Map als Live-Priorisierungsfilter für alle Eingangskanäle (Upvoty, CSAT, Beratungstickets).
• Verantwortlich für die Scout24-Lighthouse-Initiative: Document Intelligence mit vollständiger RAG-Architektur (semantisches Chunking, bge-m3 Embeddings, pgvector, BM25+Dense Hybrid-Retrieval).
• Reduzierte die Durchlaufzeit von Kunden-Feature-Anfragen auf 3,1 Tage durch Code-Analyse, Ticket-Spezifikation und eigenständige Implementierung mithilfe eines Coding-Agenten (Codex).
• Entwickelte einen LLM-basierten Support-Agenten (GPT-4o mini, Codex-generierte Merge Requests), der Eskalationen auf 3rd-Level von 40 % auf 5 % aller monatlichen Tickets reduzierte.
• Integrierte sechs Partner durch technische Koordination, Spezifikation, Backlog- und Release-Management und führte sieben Full-Stack-Entwickler.
• Beseitigte innerhalb von sechs Wochen regulatorische Risiken für Makler durch Risikoanalyse (BGH-Urteil zum Fernabsatz/GDPR), neue Audit-Funktionen und Koordination mit Rechts- und Datenschutzbeauftragten.

• Unterstützung der Authorization as a Service-Initiative für eine Autorisierungsplattform im Enterprise-Umfeld
• Umfassende Observability-Lösungen in die Autorisierungsinfrastruktur integriert
• AWS-Infrastruktur für Autorisierungsdienste bereitgestellt und verwaltet
• Entwicklungsteam in AWS- und Kubernetes-Best Practices gecoacht
• Tech Stack: Java/Kotlin, Golang, Python, OPA, Spring Boot, AWS, Kubernetes, Terraform, ELK Stack, Prometheus, Grafana

Enterprise-KI-Inhaltskategorisierung und KI-gestützte Web-Recherche.

• Multi-LLM-Evaluierungs-Framework mit annotierten Daten aufgebaut
• LLM-Fehlerraten anhand annotierter Datensätze iteriert
• KI-gestützte Web-Recherche-Pipeline implementiert Technologie-Stack: LLM, evals, OpenRouter, Python, Node.js, TypeScript, React

• orderbird beim Aufbau und der Steuerung eines internen Advanced-Analytics-Projekts für das interne Kunden-Dashboard unterstützt
• Das interne Dashboard-Projekt für die spätere Entwicklung strukturiert

Aufgaben: Design und Betrieb von End-to-End-Cloud-Datenplattformen für Enterprise-Kunden in Verlag und Finanzwesen, inkl. Infrastruktur-Automatisierung, Pipeline-Entwicklung, Monitoring und Datenqualität.

Tätigkeiten:

• Aufbau mehrschichtiger Datenarchitekturen auf Databricks (Apache Spark, Delta Lake), BigQuery und GCP
• Vollautomatisierung der Cloud-Infrastruktur mit Terraform über 3 Umgebungen (DEV/STG/PRD)
• Entwicklung automatisierter Datenpipelines mit Python, dbt und GCP-Services für verschiedene Datenquellen
• Aufbau von Monitoring- und Alerting-Systemen für die Echtzeit-Überwachung der Plattform
• Implementierung von Datenversionierung und Qualitätschecks auf jeder Schicht
• Design automatisierter Test- und Deployment-Pipelines in GitLab und Bitbucket

Erfolge:

• 2× Produktions-Datenverarbeitungskapazität, Spike-Reaktionszeit von Minuten auf ≤15 s reduziert, Serverfehler ≈ 0
• 3.000 Zeilen manuelle Konfiguration durch ein wiederverwendbares Automatisierungsmodul für 7 Kundendomains ersetzt, Konfigurationsfehler auf 0
• Vollständige Datenplattform end-to-end geliefert bei ~10 €/Monat Infrastrukturkosten
• 7 Datenbanktabellen migriert mit 0 nachgelagerten Problemen
• 100 % offengelegte Credentials entfernt, externe Vendor-Abhängigkeit eliminiert
• Integration von 3 Teams in 1 Sprint geliefert

• Codebase-Bewertung & Problemdesign: Komplexe Software-Engineering-Probleme gegen große Open-Source-Python-Codebasen (einschließlich pandas) entworfen und unter Last getestet, was tiefes Kontextverständnis und architektonisches Wissen erforderte, um sauber abgegrenzte, realistische Problemstellungen zu erstellen, die strengen Korrektheitsvorgaben entsprechen.
• Analyse von Agentenfehlern: Lösungen von LLM-Coding-Agenten auf Korrektheit und Vollständigkeit geprüft und dabei aussagekräftige Fehler in der Behandlung von Edge Cases, im dtype-Verhalten und in der Logik zur NaN-Weitergabe über mehrere Spalten hinweg identifiziert; Ergebnisse präzise für die weitere Auswertung dokumentiert.
• Programmgesteuerte Test-Suite-Entwicklung: Umfassende pytest-Suites erstellt, um Agenten-generierte Lösungen programmgesteuert gegen definierte Anforderungen zu prüfen, mit gezielter Abdeckung von Randbedingungen und Fehlermodi, die naive Implementierungen nicht erfassen.
• Containerisierte Umgebungs-Entwicklung: Docker-Umgebungen für reproduzierbare Agentenausführung gebaut und debuggt, einschließlich git-basierter Repository-Bereitstellung, Dependency-Pinning mit npm ci und Erstellung von Multi-Stage-Dockerfiles für Linux-basierte Container.

• Agierte als technischer Berater zur Optimierung von mehrschichtigen Ensemble-Modellen, die ResNet, CNN-BiGRU-Attention und XGBoost kombinierten.
• Begleitete die Umsetzung eines Logistic-Regression-Meta-Lerners zur Lösung von Klassenungleichgewichten und erreichte 92,86 % Genauigkeit und einen AUC-Wert von 0,9644 auf den Datensätzen PTB-XL und Chapman-Shaoxing.