NoSQL-Experten in Deutschland

• Neu- und Weiterentwicklung des bestehenden MS Dynamics CRM

IT-Systeme: Microsoft Dynamics Customer Service, SharePoint, DevOps, SAP IS-U

• Implementierung /Weiterentwicklung CRM
• Übernahme von bisherigem Dienstleister
• Geschäftsprozessanalyse
• Agile Projekt-Organisation
• Business Analyse / Requirements Engineering mit AI-Unterstützung
• Einsatz AI-Entwicklung
• Analyse Stammdatenprozesse
• CRM-Kundendatenverwaltung
• Anforderungsdokumentation
• Stakeholder Management
• Workshop-Moderation

• 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

• Aufbau einer Datenintegrationsplattform für Hoch-, Mittel- und Niederspannungs-Assets zur kontextuellen Analyse von Zeitreihen mit Stammdaten aus dem SCADA-Leitsystem (IEC 60870 104), INIS und SAP.
• Verantwortung für Architektur und Implementierung der Lösung sowie Sparringpartner für den Product Owner.
• Einsatz von Kotlin, Spring Boot, Maven, TimescaleDB, PostgreSQL, liquibase, Elements IoT, Docker, Kubernetes, Grafana, Python, Jupyter und verschiedenen API-Gateways.

• Mitfahr- und Busplattform, live erreichbar und funktionsfähig. Backend Spring Boot 4.1 auf Java 21, PostgreSQL mit Flyway, Testcontainers-Integrationstests. Betrieb im eigenen AWS-Konto (ECS Fargate, ALB, ECR, IAM Least-Privilege) mit CI/CD via GitHub Actions und OIDC-Federation ohne statische Zugangsdaten. Entwicklung durchgehend AI-gestützt mit Claude Code, inklusive eigener Skills und projektspezifischem Memory. Spring Boot · Java 21 · PostgreSQL · Flyway · Docker · AWS ECS/ALB/ECR · CI/CD · GitHub Actions · Claude Code

Qualität von KI-Modellen im großen Maßstab vorantreiben – Bewertung der Prompt-Antwort-Genauigkeit, Erkennung von Randfällen und Einhaltung SLA-konformer Workflows über verteilte globale Teams hinweg.

• Analyse von KI-Prompts und nebeneinander gestellten Modellausgaben zur Bewertung der Antwortqualität, Sachgenauigkeit, Relevanz, Konsistenz und Einhaltung der Projektbewertungsrichtlinien.
• Durchführung von Faktenprüfungen, Datenvalidierung, Fehlerbehebung, Identifizierung von Problemen und Überprüfung von Randfällen zur Verbesserung der Qualitätsstandards in den KI-Trainingsunterstützungs-Workflows.
• Verwendung von Google Sheets, Google Docs und browserbasierten Tools zur Dokumentation von Ergebnissen, Führung von Bewertungsprotokollen, Verfolgung von Problemmustern und Unterstützung der Workflow-Optimierung in einer Remote-Umgebung.
• Erstellung klarer schriftlicher Begründungen, Review-Zusammenfassungen und KPI-orientierter Berichte mit Fokus auf Genauigkeit, Durchlaufzeit, Vollständigkeit der Dokumentation, Fehlererkennungsrate und SLA-Einhaltung.

Tätigkeit:

• Design und Aufbau eines Proof-of-Concept (PoC) für eine zukunftsfähige Virtualisierungsplattform unter Berücksichtigung sicherer Systemarchitekturen
• Bewertung des Ist-Standes bestehender Infrastrukturen und Erarbeitung von Auswahl- und Bewertungskriterien für die geeignete OS-Virtualisierungsplattform
• Durchführung der Anforderungsanalyse mit nachfolgender Erstellung und Priorisierung von Tickets im Ticketsystem
• Fertigstellung und kontinuierliche Vervollständigung einer Tool-Bewertungsmatrix basierend auf PoC-Ergebnissen
• Unterstützung des Wissensaufbaus im Team durch nachvollziehbare Dokumentation der Vorgehensweise und Ergebnisse in Confluence
• Enterprise-Analyse der Bestandshardware (Erstellen verschiedener BoMs)

Technologien: Vmware, Vmware Aria Operations, Osism, Canonical OpenStack, FishOs, Linux, Terraform, Ansible, Confluence, Alma

• 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

Entwicklung und evolutionäre Weiterentwicklung einer hochverfügbaren, cloud-nativen Microservice- und Integrationsarchitektur für Dealer- und Retail-Prozesse im Porsche Car Configurator.

Verantwortlichkeiten

• Entwicklung Java-/Kotlin-basierter Backend-, API- und Integrationskomponenten (Spring Boot)
• Integration interner und externer Systeme über REST/OpenAPI, GraphQL, Apache Kafka und AWS SQS (synchron und asynchron)
• Umsetzung stabiler, performanter Kommunikations- und Datenflüsse in einer cloud-nativen Plattformarchitektur
• Verarbeitung strukturierter Datenformate (JSON, Protobuf, GraphQL-Schemas) auf Basis bestehender API-Pattern
• Performanceoptimierung verteilter Microservices mit reduzierten Antwortzeiten und höherer Betriebsstabilität
• Technische Tests (Unit-, Integrations- & API-Tests) sowie Fehleranalyse in produktionsnahen Umgebungen
• AWS Infrastructure as Code mit Terraform und AWS CDK
• CI/CD-Automatisierung (Build-, Test- & Deployment-Pipelines) mit GitHub Actions
• KI-gestützte Feature-Implementierung (GitHub Copilot Agent)

Label: Kotlin, Java 25, Spring Boot 4, Protobuf, TypeScript, AWS, Terraform, CDK, Apache Kafka, AWS SQS, REST/OpenAPI, GraphQL, JSON, PostgreSQL, Docker, GitHub Actions, Maven, Gradle, JUnit, Mockito, Testcontainers

Entwicklung und Weiterentwicklung einer internen Plattform zur Verwaltung und Bereitstellung technischer Ressourcen, virtueller Maschinen und infrastruktureller Services. Die Plattform unterstützt Self-Service-Prozesse und bildet Funktionen ab, die konzeptionell mit Cloud-Management-Lösungen wie Azure oder AWS vergleichbar sind.

• Verantwortliche Mitarbeit an der Konzeption, Entwicklung und Umsetzung neuer Backend- und Frontend-Funktionalitäten
• Hands-on Entwicklung mit Java, Spring Boot, Python und Angular
• Umsetzung von REST-Schnittstellen, Business-Logik, Validierungen und Integrationen in bestehende Systemlandschaften
• Weiterentwicklung moderner Weboberflächen mit Angular, inkl. Anbindung an Backend-Services
• Mitarbeit an Architektur- und Designentscheidungen im Team, insbesondere im Hinblick auf Skalierbarkeit, Wartbarkeit und saubere Schnittstellen
• Containerisierung und Deployment von Anwendungen mit Docker, Kubernetes und Helm
• Unterstützung bei CI/CD-Prozessen sowie beim Deployment in Kubernetes-basierte Umgebungen
• Arbeit im Umfeld von vSphere, Broadcom, GitLab CI/CD, ArgoCD, Maven, npm und NuGet
• Enge Zusammenarbeit mit Entwicklern, Fachbereich, DevOps und weiteren technischen Stakeholdern
• Analyse technischer Anforderungen, Ableitung geeigneter Lösungen und eigenständige Umsetzung im agilen Team
• Einsatz von GitHub Copilot zur Unterstützung bei Codegenerierung, Refactoring, Testfall-Erstellung und technischer Dokumentation

Methoden/ Werkzeuge/ Technologien: Sprachen & Frameworks: Java (21), Spring Boot (4.x), Python, AngularRobot Framework, Kubernetes, Helm Persistenz: PostgreSQL, MongoDB, Hibernate, Liquibase, Architektur & Kommunikation: REST, gRPC, GraphQL, Apache-Kafka, OpenAPI, Microservices, Event Driven, Domain Driven Design Cloud & Infrastruktur: Terraform, Docker, Rancher, Helm, Ansible Security: OAuth2, MS (Entra-ID), Websecurity, Keycloak (Extensions für detaillierte Gruppenrechte) DevOps: GitLab CI/CD, Ansible, Maven, Gradle, Grafana, Prometheus, Git, GitHub Copilot Testing & QM: JUnit, Robot Framework, automatisierte Komponenten- & Integrationstests, E2E Tests mit Playwright, Testcontainers, Easymock Methodik & Vorgehen: Kanban, JIRA, Confluence, Clean Code

• Freiberuflicher Product Owner, Scrum Master und Agile Coach in verschiedenen Projekten von lokalen Agenturen bis hin zu multinationalen Konzernen in diversen Branchen.

• Letzte Projekte:

• Adevinta: Technischer Projektmanager, verantwortlich für die Koordination mehrerer Teilprojekte zur Erstellung der weltweit größten Multi-Tenant-Plattform für Kleinanzeigen.

• Aroundhome (ein Unternehmen der ProSiebenSat.1): Product Manager, der auf Unternehmensseite ein Konzept zur digitalen Qualifizierung von Nutzeranfragen für passende Dienstleister umsetzt und überprüft.

• Peek & Cloppenburg Düsseldorf: Product Manager Mobile, Beratung und Begleitung beim Neuaufbau der Android- und iOS-Apps.

• Visual Meta GmbH (ein Unternehmen der Axel Springer SE), Berlin: Director Product, gemeinsame Leitung der Abteilung Produkt & Engineering zusammen mit dem Director Engineering.

• Verantwortlichkeiten bei Visual Meta GmbH:

• Definition und Umsetzung einer Produktstrategie mit 3–5-Jahres-Horizont inklusive Produktvision und Mission im Einklang mit der Unternehmensstrategie und Strategien angrenzender Abteilungen.

• Weiterentwicklung eines bestehenden OKR-Prozesses zusammen mit dem OKR-Master und Abteilungsleitern, um Fokus und Ergebnisse zu steigern.

• Unterstützung des Director Engineering bei der Erstellung einer Plattform-Transformationsstrategie, um einen monolithischen On-Premise-Tech-Stack in eine serviceorientierte, cloudbasierte Architektur zu überführen und eine domainbasierte Organisationsstruktur aufzubauen.

• Verantwortung für ein motiviertes und talentiertes Team von 5 Führungskräften auf Head-Level und 17 operativen Teammitgliedern aus Produktmanagement, Daten und UX/UI-Design.

• Wichtige Erfolge bei Visual Meta GmbH:

• Definition und Umsetzung einer Produktstrategie mit 3–5-Jahres-Horizont inklusive Produktvision und Mission.

• Erhöhter Fokus im OKR-Prozess durch Reduzierung von 10 unternehmensweiten Zielen auf 2 und von mehreren hundert teambezogenen Key Results auf einige Dutzend.

• Erstellung eines Karrierepfad-Frameworks für das Produktteam mit Festlegung von Rollen und Verantwortlichkeiten von Junior- bis Head-Level.

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.

• Koordination von Projektplanung und Organisation.
• Optimierung von Aufgaben, Zeitplänen und Ressourcen, um operative Effizienz sicherzustellen.
• Unterstützung bei internen Prozessverbesserungen und der Verwaltung der Unternehmenswebsite, was zu besserer Kommunikation und einer besseren Nachverfolgung des Projektfortschritts beigetragen hat.

• 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).

Re-Platforming eines E-Commerce-Shops auf Microservice-Architektur

• Ziel: Ablösung eines veralteten Shopware-Systems durch eine skalierbare, zukunftssichere Lösung auf Basis von Microservices und einer Headless-Architektur.
• Führte eine umfassende Architekturberatung durch und definierte die Microservice-Grenzen auf Basis einer Headless-Architektur mit commercetools als PIM/OMS und Next.js als Frontend-Lösung.
• Entwickelte und integrierte mehrere dezentrale Services (z. B. Internationalisierung, Personalisierung).
• Übernahm die Konfiguration zentraler Drittanbietersysteme wie Contentstack und Algolia.
• Realisierte eine stabile Cloud-Infrastruktur auf Google Cloud mit Monitoring über Grafana.

Technologien: commercetools, Next.js, Contentstack, Algolia, Google Cloud, Grafana, TypeScript, Shopware

Entwicklung einer internationalen E-Commerce-Plattform

• Ziel: Entwicklung einer leistungsstarken, benutzerfreundlichen und internationalen E-Commerce-Plattform.
• Definierte eine skalierbare, performante und wartbare Softwarearchitektur, die als Grundlage für die internationale Expansion der Plattform diente.
• Wählte einen Best-of-Breed-Technologie-Stack, der die Entwicklung eines erstklassigen Shops ermöglichte und den Entwicklungsaufwand für neue Features um 30 % reduzierte.
• Stellte die nahtlose Integration kritischer Drittanbieter-Systeme (PIM, CRM, ERP) sicher, um durchgängige Geschäftsprozesse und eine einheitliche Datenbasis zu gewährleisten.
• Implementierte umfassende Tracking- und Analysetools zur kontinuierlichen Performanceüberwachung und Optimierung der Customer Journey.

Technologien: React.js, Next.js, commerceTools, Algolia, Salesforce, Heroku, CI/CD, PHP, Google Analytics

KI-gestützte Personalisierung und Customer-Data-Plattform im E-Commerce

• Ziel: Ablösung statischer Inhalte durch eine dynamische, KI-basierte Personalisierungsstrategie zur Steigerung der Nutzerrelevanz und Automatisierung von Marketingprozessen.
• Konzipierte und baute eine Customer-Data-Plattform zur Aggregation und Zusammenführung von Kunden- und Analyticsdaten aus verteilten Quellen.
• Implementierte eine automatisierte Kategorisierung von Kundenprofilen als Grundlage für die Ausspielung personalisierter Inhalte und Produktempfehlungen im Shopware-Frontend.
• Entwickelte einen Semantic-Similarity-Algorithmus auf Basis von Python und OpenAI zur Berechnung von Produkt- und Inhaltsähnlichkeiten aus Nutzerprofilen.
• Realisierte die technische Anbindung von Retail-Media-Plattformen zur Steuerung externer Werbeplatzierungen entlang der Customer Journey.

Technologien: Shopware 6, Python 3, OpenAI, Elasticsearch, PHP, Symfony, Twig

Shopware-Tracking- & Consent-Architektur (DSGVO) für 4 Onlineshops

• Ziel: Aufbau einer einheitlichen, DSGVO-konformen und shopübergreifenden Tracking-Infrastruktur mit zentralem Consent Management über mehrere Shopware-Instanzen.
• Definition eines umfassenden Tracking-Guides und Entwicklung einer modularen Architektur, kompatibel über mehrere Shopware-Versionen hinweg.
• DSGVO-konforme Integration von Usercentrics und Adobe Launch über einen zentralen Tag Manager.
• Vollständiges Tracking-Setup (Page, Order, Product, User) inkl. partnerspezifischem Tracking (Emarsys, Channelpilot u.a.).
• Detailliertes Event- und Error-Tracking zur proaktiven Identifikation technischer Abbrüche.

Technologien: Shopware, Adobe Analytics, Usercentrics, Tag Manager, PHP, MySQL, DSGVO

KI-/LLM-Suchmaschine mit RAG und Hybrid Search (Python, Elasticsearch)

• Ziel: Aufbau einer KI-gestützten Suchmaschine mit RAG-Architektur und Hybrid Search zur präzisen Vermittlung von Dienstleistern aus über 500.000 Unternehmensdatensätzen.
• Entwicklung einer automatisierten Daten-Pipeline (Web Scraping + LLM), die Unternehmensdaten kontinuierlich crawlt und mittels LLMs in strukturierte Formate überführt.
• Implementierung eines RAG-Workflows inkl. Vektorisierung für semantische Suche zur Steigerung von Suchgenauigkeit und Relevanz.
• Konfiguration und Fine-Tuning von Elasticsearch für Hybrid Search (Vektor- + Keyword-Suche).
• End-to-End-Entwicklung von Backend-API, Frontend und Deployment auf Live-Servern.

Technologien: Python, FastAPI, Elasticsearch, LLM, RAG, React, Docker, Web Scraping

KI-/Computer-Vision-System (Python, ML) – Objekterkennung unter schwierigen Bedingungen

• Ziel: Entwicklung eines KI-gestützten Erkennungssystems mit zuverlässiger Performance auch bei Regen, Nebel, Schnee und Dunkelheit.
• Aufbau und Annotation eines umfangreichen Trainingsdatensatzes inkl. schwieriger Bedingungen.
• Training eines YOLO-basierten Objekterkennungsmodells; systematische Fehleranalyse und Optimierung von Datenqualität und Preprocessing.
• Stakeholder-Abstimmung über regelmäßige Status-Updates.

Technologien: Python, Machine Learning, TensorFlow, PyTorch, YOLO, OpenCV