Model Context Protocol Experten in Berlin

• Die End-to-End-Auslieferung von Enterprise-Full-Stack-Webanwendungen geleitet, indem ich Anforderungsanalyse, Lösungsdesign, Frontend- und Backend-Entwicklung, Datenbankdesign, API-Integration, Code-Reviews, Teamkoordination, Agile Umsetzung, CI/CD-Deployments, Produktionssupport, Performance-Optimierung, Sicherheitsimplementierung und die Zusammenarbeit mit Stakeholdern gesteuert habe, um skalierbare, hochwertige Softwarelösungen zu liefern.

• 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

• 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.

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

OpsWorker verwandelt Kubernetes-Alerts in Root-Cause-Analysen, zusätzlich zu dem Monitoring, das ein Team bereits betreibt. Ich leite die technische Seite: die Agentenarchitektur, die AWS-Infrastruktur, auf der das Ganze läuft (vollständig in EU-Regionen), und die Engineering-Entscheidungen dahinter, standardmäßig nur lesend im Cluster, der Mensch bleibt für die Bewertung im Loop. Der Stack darunter: Amazon Bedrock und Bedrock AgentCore, Agenten gebaut mit dem Strands Agents SDK, die Claude- und OpenAI-APIs sowie die Kubernetes-API.

• Dozent für den GenAI-Track des Master School Institute of Technology
• Entwicklung einer Full-Stack-KI-Anwendung (React + Python/FastAPI) für den automatisierten Lieferanten-Produktimport mit intelligenter Spalten- und Kategorienklassifizierung (4-Layer, hierarchisch) inkl. Human-in-the-Loop-Validierung

• Kontext: Teams aus dem Gesundheitswesen und Labor brauchten eine schnellere Dokumentenanalyse, Unterstützung bei der Behandlungsplanung und zuverlässige KI-Workflows für MR-/VR-gestützte Einsätze.
• Beitrag: Ich habe die KI-Plattform für das Gesundheitswesen, Modell-/Agenten-Workflows, die Bereitstellungsplattform für VR-Brillen, REST-APIs, Next.js/React-Oberflächen und CI/CD-Pipelines aufgebaut.
• Auswirkung: Ich habe eine produktionsreife Grundlage für ein KI-Produkt geliefert, die die Prüfung klinischer Dokumente verbessert, Laborautomatisierung unterstützt und die Bereitstellung von VR-Flotten über verschiedene Umgebungen hinweg beherrschbar gemacht hat.

Tech: TypeScript, Next.js, Node.js, React, Java, Spring Boot, Python, PyTorch, TensorFlow, Docker, PostgreSQL, OpenAPI, GitLab, GitHub Actions.

• Versicherungsdienstleister*

Herausforderung: Geschäftskritische Dokumente liefen über externe OCR-Dienstleister mit laufenden Kosten, Abhängigkeit und Datenschutzrisiken bei sensiblen Versicherungsdaten.

Umsetzung:

• Architektur und produktive Umsetzung einer On-Premise-OCR-Lösung mit vollständiger Datenhoheit
• Verfahren zur Erkennung von Dokumentstrukturen als Basis der automatisierten Weiterverarbeitung
• ML-, NLP- und LLM/VLM-basierte Informationsextraktion, insbesondere aus Rechnungen und Angeboten

Erfolg: Ablösung der externen Dienstleister: volle Datenhoheit, DSGVO-konforme Verarbeitung und 75 % geringere laufende OCR-Kosten p. a.

Verwendete Technologien: Python, Docker, Microservices, FastAPI, PyTorch, Torchvision, MongoDB, MySQL

• Ein vollständig responsives Business-Dashboard mit dynamischer Job-Analytics-Visualisierung und einem CMS-integrierten Content-Hub (Artikel, Audio, Bilder) mit On-Demand-Medien-Ladefunktion erstellt. Dabei Lighthouse-Werte von 100 (Accessibility, SEO) und 88 (Performance) auf Mobilgeräten erreicht.
• Pixelgenaue UI-Umsetzung aus Figma-Designs über 6 Seiten implementiert, Scroll-Trigger-Animationen hinzugefügt und Unit-Tests für kritische Eingabekomponenten geschrieben.
• Code-Duplizierung um ~20% reduziert, indem die AI-generierte Frontend-Codebasis in modulare, wiederverwendbare Komponenten refaktoriert wurde und so die langfristige Wartbarkeit verbessert wurde.
• Entwicklung beschleunigt durch Integration KI-gestützter Coding-Workflows und Model Context Protocol (MCP)-Tools; Backend-Probleme eigenständig ohne dedizierte Unterstützung gelöst.
• Verwendete Technologien: Svelte (SvelteKit), Tailwind CSS, Supabase, Sanity, GSAP, Chart.js, Vitest.

• Entwicklung und Wartung von Backend-Services für Kanal-Integrationen, einschließlich E-Mail, WhatsApp und Helpdesk-Verbindungen
• Weiterentwicklung des Broadcast- und Listenerstellungssystems
• Fehlerbehebung und Optimierung bestehender Funktionen im Gesprächs- und Postfach-Management
• Wartung der Datenbankinfrastruktur und der Entwicklungsumgebung

• Leitung der Engineering-Umsetzung: Roadmap-Planung, Kapazitätsabstimmung, Risikomanagement, Abhängigkeiten und Lieferverfolgung.
• Konsolidierung mehrerer Gehaltsabrechnungs-Produktlinien zu einer einheitlichen SaaS-Plattform auf Dynamics 365 Business Central, was skalierbare Post-Merger-Operationen ermöglichte und die betriebliche Komplexität im Portfolio verringerte.
• Umstrukturierung der Engineering- und Produktteams in einer Remote-First-Umgebung in Deutschland, Österreich und Polen, bestehend aus fünf funktionsübergreifenden Einheiten: Compliance/Enabling, Plattform, DevOps und zwei Stream-Aligned-Teams mit wechselnder Gesamt-FTE je nach Phase der Reorganisation.
• Wiederaufbau der mittleren Führungsebene und Mentoring von Engineering-Führenden, Aufbau einer Führungspipeline und Stärkung der architekturellen Entscheidungsfindung in den Teams für skalierbares Wachstum, Lieferverantwortung und Planbarkeit.
• Gestaltung der Plattformgrundlagen und Systemgrenzen mithilfe von Team-Topologies-gerechten Strukturen, wodurch skalierbare Verantwortungsbereiche, klare Schnittstellen und parallele Entwicklung in verteilten Teams ermöglicht wurden.
• Vorangetrieben der KI-Transformation durch Implementierung KI-unterstützter SDLC-Praktiken mit SpecKit und GitHub Actions für automatisierte, ausführbare Spezifikationen und Bereitstellung agentischer Produktfunktionen durch sichere Offenlegung von Plattformdaten und -diensten an KI-Agenten und Copilots über RAG-basierte Retrieval-Pipelines und MCP-ähnliche Erweiterungen.
• Förderung der Modularisierung stark gekoppelter Legacy-Logik in unabhängig bereitstellbare Services, Verbesserung der Wartbarkeit, Testbarkeit und architektonischen Klarheit bei gleichzeitiger Erhaltung der Kontinuität durch gezielte, risikoarme Extraktion anstelle kompletter Neuentwicklungen.
• Etablierung von Observability, CI/CD und DevOps-Governance als Plattformfunktionen, Erhöhung automatisierter Compliance-Gates von 25 % auf 75 % und Verbesserung der Deployment-Cadence um 40 % über mehr als 15 Produktversionen.
• Verbesserung der operativen Resilienz durch DORA-konforme Praktiken (Lead Time ↓50 %, SaaS MTTR ↓85 %), Stärkung der Zuverlässigkeit und Reduzierung des Support-Aufwands.
• Koordination der technischen Wiederherstellung der deutschen Gehaltsabrechnungsplattform während eines unternehmensweiten P0-Ransomware-Vorfalls; Wiederherstellung der Plattform-Kontinuität innerhalb von 72 Stunden, Validierung der Datenintegrität und Einführung gehärteter Runbooks und automatisierter Recovery-Playbooks.
• Verantwortlich für Budgeteinhaltung und Kostenkontrolle im Engineering, mit begrenzter P&L-Verantwortung und Beteiligung am jährlichen COGS/OPEX/CAPEX-Planungszyklus.

• Verantwortlich für den Produktlebenszyklus der souveränen KI-Plattform und Betriebssystem-Teams für Enterprise- und Regierungskunden sowie interne Stakeholder (Infra, Lösungslieferung, Support, Umsatz)
• Plattform von einer 200-Nutzer-Beta auf einen vollständigen Rollout mit über 70.000 Mitgliedern bei der Bundesagentur für Arbeit (BA) aufgebaut und dabei ISO 42001- und EU-KI-Verordnungskonformität sichergestellt
• Die Umstellung auf eine mandantenfähige Shared Inference-Architektur entworfen, wodurch die GPU-Cluster-Auslastung von 20 % auf 85 % stieg und die Infrastrukturkosten pro Kunde für SaaS um 40 % sanken
• Modellquantisierung eingeführt, sodass Kunden fortschrittliche LLMs auf älterer Hardware (A100-GPUs) statt auf H100 ausführen können, wodurch über 70 % der Kosten pro Abfrage eingespart werden
• Komplexe Helm-Konfigurationen in einen dynamischen Modellmanager überführt, wodurch sich die Zeit für Installation oder Austausch von Modellen um rund 80 % verkürzte
• Eine teure Eigenentwicklung eines Dashboard-Services gestoppt, stattdessen auf eine API-first-Datenstrategie umgeschwenkt, die Kunden direkt nutzen können, und so €100.000+ an Opex und Capex eingespart
• Ein sicherheitsorientiertes Agenten-Marktplatz- und Control-Plane-Leuchtturmprojekt für eine Tier-1-Bank aufgebaut, das internen Teams die Bereitstellung autonomer Agenten innerhalb strenger regulatorischer Vorgaben ermöglicht