Observability-Experten in Frankfurt

• Vollständig On-Premises betriebene LLM-Plattform zur Dokumentenprüfung für einen Compliance-kritischen Bankbereich: agentenbasierte LangGraph-Pipeline mit deterministischer Verifizierung, jedes KI-Urteil strukturiert und an die Quelle gebunden; ~960 automatisierte Tests, kein Datenabfluss
• GPU-Durchsatzoptimierung (quantized serving, speculative decoding, prefix caching): 9.5-fache Beschleunigung der Extraktion, 500+ Fallakten mit mehreren Dokumenten pro Tag auf einer einzelnen A100
• KI-native EDI/EDIFACT-Integrationsplattform (~116k LOC Java 25 / Spring Boot 4, 1,900+ Tests): Von LLM erstellte Partnermappings werden vor dem Go-live maschinell verifiziert (DFDL-Konformität, Feldabdeckungsprüfungen, Testläufe), ~99.5% Byte-Übereinstimmung bei echten Kundendateien – ersetzt wochenlange manuelle Zuordnung pro Partner

• Entwicklung einer MCP-Schicht (Model Context Protocol) für den Agentur-Service von Mwanachama, die Methoden von Domain-Managern in aufrufbare Werkzeuge für AI-Agenten umwandelt. Dazu gehörte ein zusammengesetztes Werkzeug, das aus einer einzigen Spezifikation ein vollständiges Organisationsdesign erstellt (Organigramm, Ziele, Workflows, RACI-Matrix).
• Entwicklung des chatgesteuerten Agentur-Builders (Wakala Studio und API), in dem eine Organisation ihre Struktur in natürlicher Sprache beschreibt und ein AI-Agent diese Werkzeuge verwendet, um das laufende Design zu erstellen und zu ändern.
• Hinzufügen eines Insights-Services, mit dem eine Organisation AI-Agenten-Interaktionen und abgeschlossene Arbeiten überprüfen kann. Die Erkenntnisse aus dieser Überprüfung fließen in das Lösungsdesign zurück, freigegeben durch Architekt und Nutzer.
• Parallel dazu Entwicklung und Aufbau der Plattform selbst: etwa 20 Go-Microservices auf PostgreSQL, Flutter- und React-Clients, bereitgestellt auf Kubernetes.
• AI-Agenten durchsuchen die Plattform autonom nach Sicherheitslücken und führen skriptbasierte Tests durch, einschließlich API-Tests (im Stil von Postman) und UI-Tests. Die übrige Arbeit bleibt überwacht. Keine außer Kontrolle geratenen Agenten, versprochen.
• Entwicklung einer AI-nativen Unternehmensplattform, die Organisationsdaten, Workflows und Verantwortlichkeiten für Menschen und AI-Agenten strukturiert.
• Abbildung von Verantwortlichkeit durch RACI, sodass menschliche und AI-Teilnehmer unterschiedliche operative Rollen übernehmen können, darunter Responsible, Accountable, Consulted und Informed. AI-Agenten können außerdem kontrollierte Freigaberollen übernehmen, wenn die Organisation ihnen diese Verantwortung zuweist.
• Übertragung der Themen Organisations- und operationelles Risiko aus meiner Executive-MBA-Thesis in Software, sodass Rollen, Prozesse und Kontrollen explizit und maschinenlesbar werden.
• Strukturierung des Unternehmenskontexts, damit LLM-Interaktionen relevantere Informationen verwenden, anstatt wiederholt große Mengen unstrukturierter Inhalte zu verarbeiten.

• Fehleranalyse und -bereinigung inkl. Performance-Optimierung der eigenentwickelten Plattform API
• Change- und Incidentmanagement im Tagesbetrieb
• Verantwortlich für Einhaltung Security- und Compliancevorgaben
• Dienstleistersteuerung für Software-Entwicklung und -Wartung
• Planung und Durchführung Migration Legacy Services auf Cloud Native Plattform

Rolle im Projekt: Projektmitarbeiter Umsetzungsteam

Eingesetzte Skills: Anforderungsanalyse, IT-Service- und Anwendungsmanagement, IT-Betrieb, Fehleranalyse und Performance-Optimierung, Software-Wartung und Lifecyclemanagement

Projektumgebung: Cloud Native Platform (Kubernetes, Crossplane, AWS, ArgoCD, Grafana)

• Leitete die Konzeption, Entwicklung und Bereitstellung von Datenlösungen zur Unterstützung einer großen Pharmaübernahme für Takeda Pharmaceutical Company und lieferte Systeme für Transparenzberichte auf Azure,Databricks (Python and Shell Scripting)-Plattformen.
• Verantwortete die Konzeption und Entwicklung skalierbarer ELT-Pipelines zur Verarbeitung von Kunden- und Produktdaten mit Azure, komplexem SQL, Databricks und Shell scripting und ermöglichte eine effiziente Datenintegration und -verarbeitung aus mehreren Quellen einschließlich Orchestrierung von Jobs und Workflow-Automatisierung.
• Implementierte Techniken zur Performance-Optimierung (Abfrageoptimierung, Parallelisierung, Workload-Optimierung) und verbesserte dadurch die Systemeffizienz und Verarbeitungszeit.
• Setzte ausgeprägte analytische Fähigkeiten und Problemlösungskompetenz ein, um technische Lösungen zu bewerten und Geschäftsanforderungen für Compliance- und Transparenzberichte zu unterstützen.
• Entwickelte skalierbare Datengrundlagen für nachgelagerte Analysen und KI-Workloads.
• Leitete Initiativen zur Datenqualität, indem Daten aus mehreren Quellen bewertet, Qualitätsmetriken definiert und Prozesse für Überwachung und kontinuierliche Verbesserung etabliert wurden.

• Datenbank-Design mit Oracle DB, JPA und Flyway unter Berücksichtigung hoher Performance-Anforderungen
• Analyse mehrerer Architekturentwürfe und Identifikation technischer Risiken
• Design und Implementierung mehrerer Schnittstellen und Integrationen, insbesondere REST-APIs und Kafka Topics
• Setup von Elasticsearch zur Überwachung und Analyse von Log-Daten
• Etablierung einer iterativen Arbeitsweise im Projektteam angesichts komplexer Business-Anforderungen

• Tech-Stack: Java 17, Spring Boot, Microservices, REST, GraphQL, Spring AI, Jenkins, Docker, Git/Bitbucket, JUnit, Splunk
• Führte ein Team von 6 Personen und lieferte Policy-, Claims- und Onboarding-Module für über 50.000 Nutzer aus und hielt 99,9% Verfügbarkeit
• Verkürzte die Release-Zyklen um 35-40% durch Automatisierung von CI/CD mit Jenkins und Docker
• Implementierte trunkbasiertes Branching in Git/Bitbucket
• Integrierte über 10 REST-APIs und optimierte Kundenabläufe, wodurch die Prozessautomatisierung um 40% gesteigert wurde
• Steigerte die Systemstabilität mit proaktiven Splunk-Benachrichtigungen und Runbooks und reduzierte Ausfälle um ca. 25%
• Gewährleistete Qualität durch JUnit-Tests (92% Abdeckung) und Code Reviews; setzte Standards mit statischen Prüfungen wie SonarQube durch

• Weiterentwicklung und Erstellung von Datenflüssen der Krankenkassen
• Datenverwaltung unterschiedlicher Persistenzen (DB2, MSSQL, PostgreSQL, S3, eigene APIs, …)
• Dokumentationen und Schulungen
• Planung und Einführung von NiFi 2.X (Major-Upgrade)
• Grafana-Anbindungen zur Visualisierung, Überwachung und Alarmierung
• Umfangreiche NiFi-API-Nutzung, um den Zustand des Systems und seiner Teile permanent zu überwachen