Multi-Agent Systems Experten in Berlin

Aufbau und Skalierung einer hochperformanten Unternehmens-API für Echtzeit-Adressvalidierung und Datenqualität mit Subsekunden-Latenz und 99,9 % Verfügbarkeit.

Architektur und Integration in E-Commerce-, Checkout- und Logistikprozesse führender europäischer Unternehmen. Reduzierung von Zustellfehlern und Versandkosten durch automatisierte Datenkorrektur und präzise Datenvalidierung.

End-to-End-Verantwortung für Produktstrategie, technische Architektur, Softwareentwicklung, Unternehmenskunden, Betrieb und DSGVO-konforme Datenverarbeitung. Verbindung von KI-nativen Entwicklungs-Workflows, Python, SQL, API-Integration, Datenqualität und Workflow-Automatisierung.

• 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.

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.

• Entwicklung und Implementierung eines unternehmensweiten Discovery-Frameworks basierend auf Ulwicks Ergebnisgetriebener Innovation; ermöglichte es 7 Product Ownern, unrealisierten Wert systematisch durch eine gemeinsame Ergebnissprache und eine Opportunity-Scoring-Methodik zu identifizieren und zu quantifizieren
• Umwandlung der Product-Owner-Rolle von reinen Backlog-Verwaltern zu strategischen Experimentierern; Einrichtung eines festen Zeitbudgets für autonome Hypothesentests und Discovery-Aktivitäten
• Neugestaltung der Customer Journey Maps, damit sie bei tatsächlichen Nutzerbedürfnissen (Tool-Auswahlphase) beginnen anstatt am Plattform-Einstiegspunkt; Eliminierung manueller Datenaggregationsarbeiten, die zuvor von Projektteams durchgeführt wurden
• Einführung des OKR-Frameworks in 4 Produktteams; Festlegung vierteljährlicher Objectives mit messbaren Key Results (z. B. 40 % Reduzierung des manuellen Integrationsaufwands, Steigerung der Self-Service-Nutzung)
• Vereinheitlichung von 3 separaten Roadmaps durch teamübergreifendes Abhängigkeits-Mapping und gemeinsame Servicevereinbarungen
• Unterstützung des Enterprise-Sales-Zyklus durch ROI-Modellierung und technische Due-Diligence für Automotive- und Verteidigungskunden

• Aufbau eines Full-Stack-E-Commerce-Produkts mit KI-unterstützter Entwicklung, bewusst zurück zur praktischen Entwicklung, um zu prüfen, wie KI Softwareentwicklungsabläufe und Teamdynamiken verändert.
• Erkundung von Positionen als VP Technology, Head of Engineering und Director of Engineering, in denen praktische KI-Erfahrung auf Expertise bei der Skalierung von Organisationen trifft.
• Offen für Beratungsgespräche zu KI-gestützten Engineering-Teams, Technologiestrategie, Plattformarchitektur und Organisationsdesign.
• Keine eingetragene Firma. Keine kommerzielle Tätigkeit.

• Gründungsversuch mit einer Plattform für Karriereentwicklung und Personalcoaching
• Top-3-Platzierung beim Businessplan-Wettbewerb Berlin-Brandenburg
• Eigenständige Marktanalyse sowie User Research
• Aufbau eines umfassenden Wissensgraphen für Rollen, Fähigkeiten und Erfahrungen
• Datentransformation und Aufbau von Datenpipelines auf Azure

• Leitung des Aufbaus des internen Automatisierungs- und Risikomanagement-Portals von Passify, Verbindung von Workflows zwischen Teams über SharePoint und Power Automate.
• Moderation von Retrospektive-Workshops und Erstellung von PRDs und Design-Tickets im PDLC.
• Unterstützung der ISO 27001-Dokumentation und Einhaltung, mit Fokus auf Kundensupport, Benutzerregistrierung und interne Kommunikationsprozesse.
• Mithilfe bei der Abstimmung von Design, Entwicklung und Betrieb in einem modularen Designzyklus, um sicherzustellen, dass jede Version sowohl Geschäfts- als auch Nutzeranforderungen erfüllt.
• Beitrag zur Feature-Planung und Validierung für Subunternehmer-Workflows, Schulungs-Dashboards und Verbesserungen des Terminal-Portals.

• Aufbau eines KI-Forschungsassistenten mit RAG, LangChain, LangGraph und OpenAI-LLMs in Kombination mit Vektorsuche; Forschungszeit um 30% reduziert.
• Entwicklung maßgeschneiderter Retrieval-Workflows mit LlamaIndex und einem ReAct-Style-Agenten für dynamisches Chunking; Abfragegenauigkeit um 18% verbessert.
• Untersuchung und Optimierung von Embedding-Strategien, wodurch die Abrufkosten pro Anfrage um 15% gesenkt wurden.
• Entwicklung von RAG-Bewertungsframeworks mit RAGAS und Langsmith anhand eigener Datensätze; Abdeckung um 40% gesteigert.
• Feintuning von LLMs (LLaMA 2 auf Vertex AI mit eigenen Inferenz-Containern, dynamischem Batching und Quantisierung); Latenz der Inferenz um 25% verringert.
• Integration von KI-Agenten in LangGraph mit Kurz- und Langzeitspeicher (Mem0); Abschlussquote der Aufgaben um 20% erhöht.
• Erstellung schema-bewusster Generatoren für synthetische Daten; Feintuning nachgelagerter Modelle mit +12% F1-Score.