
Observability-Experten in München
mit präzisem KI-Matching aus über 15.000 LebensläufenBeauftragen Sie Experten, die Metriken, Logs und Traces in cloudnativen Systemen verbinden und OpenTelemetry, Prometheus, Grafana sowie verteiltes Tracing einsetzen. FRATCH bringt Sie schnell mit geprüften, verfügbaren Freelancern zusammen, die zu Ihren technischen Anforderungen passen.
Lerne FRATCH Experten in München kennen, die kürzlich Observability-Experten eingesetzt haben
Narasimha P.
Letzte Position:
Senior SAP Commerce Full-Stack-Softwareentwickler bei Bosch Digital Commerce GmbH
- KI-Coding-Agenten (OpenCode, GitHub Copilot) mit Skills eingeführt, die Richtlinien durchsetzen; FR/NFR-Spezifikationen vor der Implementierung von Stakeholdern freigegeben.
- MACH-Services entwickelt: Assortment Engine und Price Waterfall Engine (Microservices, API-first, Headless), mit KI-Agenten umgesetzt; produktiv und mandantenübergreifend wiederverwendbar.
- KI-Skills für Product Owner, Datenbankdesign und REST-API-Design umgesetzt.
- GitOps-Bereitstellung mit Argo CD und GitLab-CI/CD-Pipelines eingerichtet.
Robert L.
Letzte Position:
Senior Projektleiter KI & Daten bei Großer deutscher Energieversorger
KI-Assistenz und Zielbild für teilautonome Energieportfolio-Steuerung
Aufbau einer KI-Steuerungsschicht direkt auf dem tagesaktuellen Live-Portfolio eines großen Energieversorgers — nicht als isolierter Pilot, sondern als operative Erweiterung der bestehenden DB1- und Portfolio-Steuerung. Ziel ist die schrittweise Entwicklung von Assistenz über Monitoring/Alerting bis zu Analyse-Agenten mit Human-in-the-Loop-Freigaben, ergänzt um ein rollenspezifisches System of Engagement neben dem BI-System of Record. Parallel werden Business Case, Zielbild und Management-Pitch gegenüber statischem Monatsreporting erarbeitet.
- KI-Steuerungsschicht: Konzeption und Aufbau auf dem bestehenden Live-Portfolio-Datenprodukt (mehrere Mio. Verträge) — Ausbaustufen Assistenz → Monitoring/Alerting → Agenten mit Human-in-the-Loop-Freigaben.
- LLM-gestützte Datenanalyse: Semantische Abfragen, SQL-/Tool-Anbindung und ergänzende RAG-Komponenten auf Portfolio-, Plan-Ist- und Datenqualitätsdaten (Azure OpenAI, Snowflake) mit Drill-downs bis auf Einzelvertragsebene.
- Analyse-Agenten: Mehrstufige Agenten für Abweichungs- und Treiberanalysen zu Churn, Preisanpassungen, Mengen und Beschaffungskosten.
- Sichtenkonzept: Rollenspezifische Oberflächen für Fachbereich, Management und C-Level als System of Engagement neben dem BI-System of Record.
- Business Case & Pitch: Zielbild und Kosten-Nutzen-Argumentation gegenüber statischem Monatsreporting.
- LLM-Setup (Datenschutz & Security): Abstimmung mit IT-Security und Datenschutz — EU-Region, Datentrennung, Freigabeprozesse.
- Agenten-Architektur: Mehrstufige Agenten-Pipelines (Analyse → Validierung → Zusammenfassung) mit dokumentierten Datenquellen, Tool-Aufrufen, Prüfschritten und Quellenbezug je Aussage.
- Datenfundament: Aufsatz auf dem tagesaktuellen DB1-Datenprodukt (Snowflake, dbt) — Portfolio-, Plan-Ist- und Datenqualitätskennzahlen als gemeinsame Basis aller KI-Analysen.
- Guardrails & Evaluation: Evaluations- und Freigabeprozesse für LLM-Antworten bei steuerungsrelevanten Aussagen — Testsets, Metriken, Human-Review.
- Prototyping & Validierung: Iterative Validierung der Agenten-Antworten mit dem Fachbereich — Testfragen-Katalog, Feedback-Schleifen, Antwortqualität je Release.
- Roadmap & Ausbaustufen: Detaillierung der Stufen Assistenz → Monitoring/Alerting → teilautonome Steuerung inkl. Übergangskriterien und Governance je Stufe.
- Integration: Einbettung in die bestehende BI- und Datenlandschaft — BI bleibt System of Record, die KI-Schicht liefert interaktive Drill-down-Pfade als System of Engagement.
- Enablement: Befähigung der Anwender im Fachbereich — Prompting-Leitfäden, Schulungen und Betriebsmodell für den laufenden Einsatz.
- Steuerung: Koordination Fachbereich, Data Engineering, IT-Security & Datenschutz.
- Change Management: Kommunikation und Erwartungsmanagement gegenüber Fachbereich und Management entlang der Ausbaustufen.
Ergebnisse:
- Auf bestehendes tagesaktuelles Datenprodukt mit mehreren Millionen Verträgen aufgesetzt
- Mit Datenschutz und IT-Security abgestimmtes LLM-Setup in EU-Region mit Datentrennung und Freigaben etabliert
- Drei Ausbaustufen bis zur teilautonomen Steuerung definiert
- Rollenspezifische Sichten für Fachbereich, Management und C-Level konzipiert
- Business Case und Management-Pitch für die Ausbaustufen erarbeitet
- Iterativer Validierungsprozess für Antwortqualität mit dem Fachbereich etabliert
- Betriebsmodell für den Assistenzbetrieb konzipiert und in Validierung
Stack: Azure OpenAI, Azure AI Foundry, Snowflake, dbt, React, TypeScript, Entra ID, RAG, Agentic AI, Analyse-Agenten, Human-in-the-Loop, Prompt Engineering, LLM Evaluation, LLMOps, DSGVO / EU-Region, Azure DevOps, Python, SQL, Change Management
Hardeep B.
Letzte Position:
Sr. Data Engineer bei Charles Schwab Bank
- End-to-end-Datenpipelines (Batch & Streaming) mit Python, SQL und Apache Spark sowie Databricks auf AWS entworfen und umgesetzt und dabei die ETL-Latenz um 40 % reduziert.
- Serverless, ereignisgesteuerte Ingestion-Pipelines mit AWS Lambda und SQS entwickelt und so die Echtzeitverfügbarkeit der Daten für nachgelagerte Analysen sichergestellt.
- Google Cloud Platform (GCP)-Services wie BigQuery und Dataflow genutzt, um Cloud-übergreifende Data-Warehousing- und Analytics-Integrationen zu steuern.
- Erfahrung mit DMS (CDC, Full Load) und Airflow für skalierbare Automatisierung und Orchestrierung von Datenpipelines.
- Datenpipelines mit Databricks und Airflow verwaltet und angepasst. Automatisierung mit Docker, Kubernetes und Terraform.
- Datenqualitätsprüfungen mit dbt automatisiert, um Transformationen zu modularisieren und eine produktionsreife Data Lineage sicherzustellen, wodurch die Zuverlässigkeit um 30 % verbessert wurde.
- Mit Compliance-Teams zusammengearbeitet, um die Einhaltung von GDPR und SOC2 sicherzustellen. Junior Engineers betreut und bei der Refaktorierung der Architektur für mehr Skalierbarkeit mitgewirkt.
- Dashboards in Power BI erstellt und gepflegt, um umsetzbare Einblicke zu liefern.
Anitha N.
Letzte Position:
Senior Data Engineer bei Accenture GmbH
- Skalierbare Datenanwendungen entworfen, entwickelt und konfiguriert, passend zu Geschäftsprozessen und technischen Anforderungen.
- Skalierbare, kosteneffiziente Datenarchitekturen mit Snowflake über AWS, Azure und GCP entwickelt und dabei dbt für Datentransformation und Modellierung eingebunden.
- Robuste ETL-Datenpipelines aufgebaut und gepflegt, um hohe Datenqualität für eine reibungslose Migration und systemübergreifende Integration sicherzustellen.
- Starke Expertise in SQL und Python mit umfassender Erfahrung in Datenmodellierung, ETL/ELT-Pipeline-Entwicklung und Streaming-Datenverarbeitung gezeigt; sicher im Umgang mit Git-basiertem Versionsmanagement, CI/CD-Prozessen und Test-Frameworks, mit solidem Wissen in den Bereichen Datenqualität, Observability, Kostenoptimierung, Sicherheit und Data-Governance.
- Mehrere Datenmigrationsinitiativen von SAP HANA nach Snowflake mit einem modularen dbt-Framework geleitet.
- End-to-End-Daten-Transformations-Workflows mit dbt auf Snowflake entworfen und gepflegt, geschichtete Datenmodelle implementiert, die Performance optimiert und eine hochwertige Datenbereitstellung für Business Intelligence und Reporting sichergestellt.
- Entwicklungs-, QA- und Produktions-Deployments über strukturierte Versionskontrolle und Release-Management mit GitLab gesteuert.
- Daten aus mehreren Quellen, darunter relationale Datenbanken, Flat Files, Excel und große Systeme, in Snowflake integriert und zentralisiert.
- Umfassende Expertise in den Datenbereichen Sales, Marketing, HR und ERP angewendet und relevante KPIs sowie Reporting-Lösungen entwickelt und gepflegt.
- Mit funktionsübergreifenden Teams zusammengearbeitet, um End-to-End-Datenlösungen termingerecht durch proaktives Lösen von Problemen und gute Abstimmung umzusetzen.
- Die Snowflake-Sandbox-Umgebung für die Data-Engineering-Abteilung administriert.
- Kolleginnen und Kollegen, die in Datenrollen gewechselt sind, in Snowflake geschult und technische Beratung sowie Mentoring für Junior-Teammitglieder übernommen.
Karen M.
Letzte Position:
Persönliches KI-Entwicklungsprojekt — Croky AI bei Crocky AI
Produkt:
- Eine produktionsreife KI-Plattform entwickelt, die anhand von Produktdaten, Nutzeranforderungen und hochgeladenen Medien markengerechte Marketingbilder und -videos erstellt.
- Verantwortlich für Plattformarchitektur, technische Roadmap, API-Design, Sicherheit, Deployment-Abläufe, betriebliche Zuverlässigkeit und Strategie für Modellanbieter.
- Die Kernplattform mit .NET entwickelt und unterstützende KI- und Workflow-Prototypen in Python erstellt. Dabei sprachunabhängige API-Verträge und strukturierte Schnittstellen zwischen Services und Modellanbietern eingesetzt.
- Zuverlässige Hintergrundverarbeitung mit RabbitMQ, gespeichertem Workflow-Zustand, idempotenter Verarbeitung, Wiederholungsversuchen, Fehlerbehebung, Logging, sicherer Speicherung, Autorisierung und Abrechnung von Credits umgesetzt.
- Pragmatische Entscheidungen zu Eigenentwicklung oder Zukauf sowie zum Routing von Modellen getroffen, basierend auf Zuverlässigkeit, Latenz, Kosten und Wartbarkeit statt auf Neuheit.
Agenten-Orchestrierung & RAG-Systeme
- Agenten-Workflows mit Microsoft Agent Framework, LangGraph und LangChain entwickelt und verglichen, darunter Tool-Nutzung, bedingte Weiterleitung, Klärungsschritte, Zustandsverwaltung und Übergaben zwischen Agenten.
- Wiederverwendbare .NET-Komponenten für Agenten, Prompts, Tools, Modellanbieter, strukturierte Antworten und Retrieval mit pyvector implementiert. So lassen sich KI-Anbieter einfacher wechseln, ohne den Kern-Workflow neu zu schreiben.
Omar A.
Letzte Position:
Senior Fullstack AI Engineer (Team Lead – B2C Platform) bei mama health
- Arbeite direkt mit C-Level-Führungskräften (CEO, CAIO, CTO) an Architektur, OKR-Strategie und der teamübergreifenden Priorisierung der Roadmap und übersetze strategische Ziele in strukturierte Engineering-Anforderungen.
- Habe technische Schulden im gesamten Unternehmen gemeinsam mit dem C-Level sichtbar gemacht und eine priorisierte Remediation-Strategie mit definiert, mit dem Ziel, Schuldenabbau und Feature-Delivery sinnvoll auszubalancieren.
- Habe Code Reviews und technische Standards im Team geleitet und eine Mentor-First-Kultur mit zweiseitigem Feedback gefördert — durch Pairing an komplexen Pipeline-Themen und Unterstützung jüngerer Engineers bei asynchronen Architekturmustern.
- Habe die Kern-Processing-Pipeline des AI Companions von synchron auf asynchron mit einer Queue-basierten Worker-Architektur umgebaut, horizontale Skalierung ermöglicht und die Upload-Verarbeitungszeit um ~4x verkürzt (von ~22s auf 5–10s) bei gleichzeitig besserer Antwortgenauigkeit.
- Habe einen AI-gestützten Workflow für Document Intelligence entworfen mit automatischer Multi-Document-Klassifizierung, Zusammenfassungen pro Dokument und Relevanz-Guardrails für die Patientenreise.
- Habe ein einheitliches Patient-Memory-System aufgebaut (kurz- und langfristiger Kontext), das das Dokumentenarchiv und den Chatbot zu einer einzigen bidirektionalen, kontextbewussten Plattform verbindet.
Ljubomir O.
Letzte Position:
Senior Software Test Ingenieur bei Keil KTM GmbH
Arbeitnehmerüberlassung
- System-Black-Box-Integrationstests (BBIT, IVVQ): Durchführung von Regressions-, Freigabe-, Bestätigungs- und Konformitätstests für sicherheitskritische Bremssteuergeräte in Bahnindustrie
- Softwaretest-Applikation & Integration: Runtime-Konfiguration von Software-Komponenten und Bibliotheken, Validierung von Schnittstellen, Konfigurationsabhängigkeiten und Komponenteninteraktionen
- Testautomatisierung (FEAT-Framework): Mitentwicklung und Weiterentwicklung eines automatisierten Testframeworks für Testausführung, Reporting und Ergebnisanalyse
- Funktionale Sicherheit (SiL4, FuSi): Sicherstellung der Einhaltung von Sicherheitsanforderungen, Traceability und Coverage sowie Normkonformität gemäß EN50126/28/29
- Testautomatisierung für Kommunikationskomponenten: Konfiguration und Validierung der Feldbus-(CAN) und Ethernet-basierten TCMS Datenkommunikation-Schnittstellen (TRDP und CIP)
- Anforderungsanalyse & Shift-Left (PTC Windchill ALM): Analyse von Software- und Systemartefakten zur Identifikation von Lücken, Mehrdeutigkeiten und Redundanzen im frühen SDLC
- Testdesign & Testfallentwicklung: Ableitung von Testbedingungen, Abdeckungsstrategien und Implementierung datengetriebener Testfälle (DDT) inkl. wiederverwendbarer Testdaten-Fixtures
- CI/CD & Automatisierung (Python, PowerShell, Jenkins, SVN): Automatisierung von Build-, Test- und HIL-Deployment-Prozessen sowie Integration in CI/CD-Pipelines
- Testdaten & Konfigurationsmanagement (XML): Pflege und Anpassung von XML-Testvektoren und Systemkonfigurationen mit automatisierter Integration in Testumgebungen
- Nicht-funktionales Testen: Durchführung von Performance- und Lasttests zur Bewertung von Stabilität und Systemverhalten
- Agile Entwicklung & Defect Management (JIRA, Confluence): Mitarbeit in Scrum-Teams, Testkoordination, Review von Testartefakten sowie Defect Tracking und Root-Cause-Analyse
- Fehleranalyse & Debugging (CANoe, CANalyzer): Analyse von Fehlern und Nachrichtenflüssen über mehrere Systemebenen (Applikation bis Bus)
- Modellbasierte Analyse (UML, Enterprise Architect): Spezifikation von SUT/SOW und Unterstützung der systematischen Teststeuerung
- Prozess- & Testdokumentation: Erstellung von Integrations- und Testdokumentation gemäß internen Qualitäts- und Zertifizierungsanforderungen
Anton L.
Letzte Position:
Senior Solution Architect
Interne Systeme mit regulatorischen und sicherheitsrelevanten Anforderungen konnten nicht direkt durch KI-Tools für Incident-Triage, Fehlersuche und Dokumentationssuche genutzt werden. Ziel war die sichere Integration dieser Systeme über MCP unter Beibe...
Thorsten G.
Letzte Position:
Leiter Immobilienprodukte | Technischer Programmleiter
- Programmleiter für eine mehrjährige strategische Partnerschaft (~9 Mio. € Gerätevolumen), Bericht an den CTO (später CEO) und primärer Ansprechpartner für die Partnerführung.
- Verantwortung für die bereichsübergreifende Lieferung von Firmware, Hardware, Cloud-Backend, Fertigung und Partner-Engineering-Teams für zwei IoT-Produkte; verbesserte Systemstabilität und Beobachtbarkeit zur Unterstützung eines zuverlässigen großflächigen Feldbetriebs (125 000+ Geräte).
- Verhandlung der Programm-Roadmap und des Umfangs mit der Partnerführung, Abstimmung der Lieferzusagen für Hardware, Firmware und Cloud.
- Stabilisierung einer angespannten Führungspartnerschaft durch Wiederherstellung der Lieferzuverlässigkeit und Etablierung klarer Governance- und Abgrenzungsregeln.
- Bereitstellung eines Telemetrie-Analysesystems (Python, AWS), das laut Partnervertrag erforderlich war, um defekte Heizsysteme und Betriebsprobleme bei eingesetzten Geräten zu erkennen.
Thomas H.
Letzte Position:
Senior MLOps, DevOps und FullStack Engineer bei Trianel Energy
- 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 Ressourcenbereitstellung (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 im Azure Model Registry
- Entwicklung und Containerisierung von PyTorch-Trainingsjobs mit CUDA (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
- Einrichtung von Security (OAuth2) und Rate Limiting über APIM
- Automatisierung der Infrastruktur-Provisionierung 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 und Architektur einer Softwarelösung, um effizient Massendaten (>3000 Nachrichten/Sek.) zu verarbeiten (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, Forwarding von Nachrichten an Read-Model Queues und Aufbau von Read Models für UI-Anzeige in MongoDB
- Einbindung von RESTHeart zur Erzeugung einer REST API gegen MongoDB
- Migration von MongoDB ClickHouse für Masseningests und automatische Deduplizierung mit ReplicatedMergeTree Engine in ClickHouse
- Aufbau eines Python Apache Arrow Flight Service zur Abfrage der ClickHouse-DB in Millisekunden für komplexe Abfragen (gRPC-Protokoll / ClickHouse Column-Based Queries)
- Aufbau eines Angular-Frontends zur Vereinfachung der Datenabfrage und Stammdatenpflege
- Agentic Coding mit remote und local LLM (Claude, Ollama Qwen, OpenLLM) und MCP-Servern
- Entwicklung von Python-Skripten zur Transformation und Bereinigung eingehender Börsendaten (Pandas, scikit-learn)
Hussein G.
Letzte Position:
Senior Product Manager bei PagoNxt (Banco Santander Group)
- Nach der Übernahme (Wirecard zu PagoNxt) als zentraler Produktmanager behalten, um die Plattformmigration und die Produkttransformation voranzutreiben
- Leitung der Automatisierung von über 20 mehrstufigen Onboarding-Workflows auf einer Integrationsplattform mit 22 Systemen von der Konzeption bis zum Launch, wodurch die Aktivierungszeit um ~90% verkürzt und die Betriebskosten reduziert wurden
- Einführung regulierter B2B-Onboarding-Portale auf Salesforce in Großbritannien und Spanien und Ermöglichung des Markteintritts
- Beauftragt, ein verzögertes, unternehmenskritisches Programm zu retten; ein Team mit über 20 Mitgliedern umstrukturiert und Agile-Prozesse überarbeitet, wodurch die Umsetzung in 6 Wochen stabilisiert wurde
- Koordination der Plattformmigration zur PagoNxt-Infrastruktur über 12 Teams hinweg, drei Wochen früher ausgeliefert und ein SLO von 99,9% Verfügbarkeit beibehalten
- Konzeption einer Self-Service-Onboarding-App für interne Teams, Validierung des MVP und Skalierung zu einem Kernsystem
- Verantwortung für Roadmap und Quartalsplanung übernommen, Priorisierung des Backlogs und Abwägung, um die Lieferwirkung zu maximieren
- Verbesserung der Lieferprozesse über Teams hinweg, Steigerung der Zusammenarbeit und Beschleunigung des Durchsatzes um ~30%
- Durchführung von Interviews und Onboarding von über 8 PMs und Ingenieuren in verschiedenen Teams; Mentoring wichtiger Neuzugänge, was die Liefergeschwindigkeit und bereichsübergreifende Zusammenarbeit verbesserte
- Moderation von Architektur-Diskussionen, um schnelle Lieferung, Skalierbarkeit und langfristige Geschäftsziele auszubalancieren
- Leitung von Product-Discovery-Workshops, Validierung von Hypothesen und Ableitung datenbasierter Feature-Verbesserungen
Alexandru G.
Letzte Position:
Principal Cloud DevOps Architect bei BP
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.
Abhijit I.
Letzte Position:
Lead Backend-Entwickler und Architekt bei Gloresoft GmbH
Ich habe an mehreren internationalen Kundenprojekten gearbeitet und dabei Senior-Rollen wie Software-Architekt, Senior Software-Entwickler, Technical Lead und Lead Backend- & DevOps-Engineer übernommen. Meine Erfahrung erstreckt sich über komplexe Enterprise-Umgebungen in den Bereichen Banking, Finanzdienstleistungen, Telekommunikation, Engineering und Automotive, wobei ich Organisationen wie UniCredit Bank, Telefónica O2 und BMW unterstützt habe.
Bei der UniCredit Bank, im Rahmen des Securities Domain Transformation Programms, habe ich die Modernisierung von monolithischen Altsystemen zu cloud-nativen Spring Boot-Mikroservices und einem Angular-Frontend auf der Google Cloud Platform geleitet. Neben der Implementierung war ich verantwortlich für die Definition der Zielarchitektur, die Erstellung von System- und Sequenzdiagrammen sowie die Vorbereitung von API-Contract-Dokumentationen für die Kunden. Ich habe RESTful-APIs entworfen und Apigee für eine sichere und wiederverwendbare projekübergreifende Nutzung von APIs integriert. Zudem habe ich Kubernetes-basierte Deployments mit Helm konzipiert. CI/CD-Pipelines wurden mit Jenkins aufgebaut und automatisierten Code-Analysen mit Sonar sowie Tests und Deployment-Stufen realisiert. Die Festlegung von Clean-Code-Prinzipien für das Projekt, regelmäßige Code-Reviews und das Mentoring von Junior-Entwicklern gehörten ebenfalls zu meinen Aufgaben bei UniCredit.
Bei Telefónica O2 leitete ich die Transformation einer veralteten Callcenter-Desktop-Anwendung zu einer cloud-nativen Microservices- und Micro-Frontend-Lösung. Ich habe aktiv zur Plattformarchitektur beigetragen, System- und Komponentendiagramme, Architektur-Dokumentation und ADRs für zukünftige Referenzen erstellt. Die Performance und Skalierbarkeit der Services habe ich verbessert. Außerdem optimierte ich die AWS-Infrastrukturkosten, insbesondere durch Minimierung der Nutzung von DynamoDB und effektive Wiederverwendung von Testumgebungen. Für Observability kamen Prometheus, Grafana, CloudWatch und Splunk-Dashboards zum Einsatz. CI/CD-Pipelines wurden mit GitLab, Docker, Kubernetes und AWS bereitgestellt. Darüber hinaus habe ich technische Sessions für die Teams durchgeführt.
Abdul K.
Letzte Position:
Softwareentwickler bei EdgeFirm
- Entwarf und entwickelte End-to-End-Web- und Mobilprodukte als Full-Stack-Entwickler, arbeitete mit Python/FastAPI-Backends, Datenbanken und React/React Native-Frontends.
- Erstellte LLM- und agentenbasierte KI-Systeme mit LangChain, LangGraph, CrewAI, Langfuse und Vektordatenbanken, mit Fokus auf Zuverlässigkeit, Beobachtbarkeit und saubere Abstraktionen.
- Entwickelte einen Text-zu-SQL-Assistenten für das Marketingteam, der nicht-technischen Nutzern ermöglicht, natürliche Sprachabfragen an ein großes Datenset aus dem Einzelhandel zu stellen und klare Analysen sowie Kampagnen-Erkenntnisse zurückliefert.
- Trug dazu bei, ad-hoc-SQL/Reporting-Anfragen an die Entwicklung um 60 % zu reduzieren und die Zeit bis zur Auswertung gängiger Marketinganfragen von Stunden auf Minuten zu verkürzen.
- Erstellte eine Full-Stack-Mobile-App, in der Apple Health-Daten verarbeitet und in ein LLM eingespeist werden, um personalisiertes, auf VO2max basierendes Gesundheitscoaching und Erkenntnisse zu generieren. Verantwortete die Architektur von Frontend über Backend bis hin zur Authentifizierung.
Piotr K.
Letzte Position:
Senior Software Engineer bei On
- Entwickelte einen Middleware-Service, der EDI-Anbieter und Marketplace-Partner mit Microsoft Dynamics 365 integriert, um Verkaufsaufträge zu empfangen und Sendungen, Rechnungen, Lagerbestände und Preiskataloge zu übermitteln
- Nutze eine Mischung aus REST-APIs und ereignisgesteuerten Datenverarbeitungs-Pipelines
Entdecke mehr als 15.000 Top-Freelancer
Statistiken von Experten, die Observability-Experten einsetzen
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
17 Jahre (Deutschland: 16 Jahre)

Positionsdauer
2,1 Jahre (Deutschland: 2,9 Jahre)

Positionen pro Freelancer
10 (Deutschland: 9)

Häufigste Fachbereiche
Informationstechnologie (IT), Produktentwicklung, Projektmanagement

Häufigste Branchen
Informationstechnologie (IT), Einzelhandel, Bank- und Finanzwesen

Fokus der Zertifizierungen
Informationstechnologie (IT), Produktentwicklung, Business Intelligence
Bachelor-Abschluss oder höher
95% (Deutschland: 93%)
Master-Abschluss oder höher
63% (Deutschland: 55%)
Doktortitel
11% (Deutschland: 6%)

Zertifizierungen pro Freelancer
3 (Deutschland: 2)

Häufigste Sprachen
Englisch, Deutsch, Russisch

Sprechen zwei oder mehr Sprachen
95% (Deutschland: 96%)
Basierend auf unserem Profilpool, Stand 18 Nov 2026.
Tagessatzverteilung
Das Diagramm zeigt, wie sich die Tagessätze der Experten in dieser Technologie in München verteilen, basierend auf aktuellen Verträgen auf unserer Plattform. Jeder Balken deckt eine Tagessatzspanne ab – seine Höhe zeigt, welcher Anteil der Experten innerhalb dieser Spanne abrechnet.
Durchschnittssätze von Experten in München, die Observability-Experten einsetzen
Die Tagessätze basieren auf aktuellen Verträgen und enthalten keinen FRATCH-Aufschlag.
Der durchschnittliche Tagessatz ist der Mittelwert aller Tagessätze aus aktuellen Verträgen vergleichbarer Freelancer auf unserer Plattform.
Der Median-Tagessatz ist der mittlere Wert aller Tagessätze – die Hälfte der vergleichbaren Freelancer verlangt weniger, die andere Hälfte mehr. Anders als der Durchschnitt wird er von Ausreißern kaum beeinflusst.
Berechnet auf Basis der Tagessätze unserer Freelancer, Stand 18 Nov 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Branchenfokus der Observability-Experten Experten
Sieh, in welchen Branchen unsere gematchten Freelancer am häufigsten tätig sind — jede Zahl wird live aus den Freelancern auf FRATCH berechnet.
- Informationstechnologie (IT) (100%)
- Einzelhandel (50%)
- Bank- und Finanzwesen (45%)
- Telekommunikation (45%)
- Automotive (41%)
- Energie (32%)
- Gesundheitswesen (32%)
- Versicherung (32%)
Bitte beachte, dass Freelancer in mehreren Branchen tätig sein können, daher überschneiden sich die Prozentwerte.
Über die Technologie
Was Observability abdeckt
Observability zeigt, was in komplexer Software passiert, indem Metriken, Logs und Traces mit nützlichem Kontext kombiniert werden. Sie hilft Teams, das Systemverhalten anhand seiner Ausgaben zu verstehen, unbekannte Fehler zu untersuchen und Symptome auf Benutzerseite mit Services, Infrastruktur und Deployments zu verbinden.
Zentrale Signale
Metriken zeigen Trends wie Latenz, Traffic, Fehler und Ressourcennutzung. Logs liefern detaillierte Ereignisaufzeichnungen, während Traces Anfragen über Services hinweg verfolgen und Engpässe sichtbar machen. Gute Implementierungen nutzen außerdem Kontext wie Deployment-Versionen, Servicenamen, Regionen und Korrelations-IDs.
Tools und Ökosystem
Experten arbeiten über Cloud-, Container- und Anwendungsstacks hinweg statt mit nur einem Monitoring-Produkt. Zu den gängigen Komponenten gehören:
- OpenTelemetry-Instrumentierung, Collectors und Exporter
- Prometheus-Metriken, Alert-Regeln und Exporter
- Grafana-Dashboards, Alerting und Datenanalyse
- Jaeger oder Tempo für verteiltes Tracing
- Loki, Elasticsearch oder andere Log-Backends
Wo Unternehmen es einsetzen
Observability unterstützt Microservices, Kubernetes-Plattformen, APIs, Datenpipelines und serverlose Workloads. Sie ist in der Finanzbranche, im produzierenden Gewerbe, in der Mobilität, im Gesundheitswesen und bei Softwareprodukten wertvoll, einschließlich Systemen, die über hybride oder Multi-Cloud-Umgebungen hinweg zuverlässig bleiben müssen.
Wann Spezialisten einen Mehrwert schaffen
Unternehmen holen sich oft freiberufliche Expertise ins Haus, wenn Telemetrie unvollständig ist, Alerts zu viel Rauschen erzeugen oder Teams Vorfälle nicht über Servicegrenzen hinweg verfolgen können. In München müssen Spezialisten möglicherweise vor Ort, remote oder hybrid mit lokalen Produkt-, Betriebs- und Sicherheitsteams zusammenarbeiten und dabei klar auf Englisch und manchmal auch auf Deutsch kommunizieren.
- Eine praxisnahe Telemetriestrategie definieren
- Anwendungen und Infrastruktur instrumentieren
- Alert-Müdigkeit reduzieren und Incident-Workflows verbessern
- Observability-Daten mit Release- und Reliability-Praktiken verbinden
Was gute Fachkräfte liefern
Die besten Fachkräfte verbinden technische Tiefe mit einem guten Urteilsvermögen im Betrieb. Sie entwickeln nützliche Signale, kontrollieren Datenvolumen und Aufbewahrungsdauer, schützen vertrauliche Informationen und machen Dashboards handlungsorientiert statt dekorativ. Außerdem dokumentieren sie Verantwortlichkeiten, Runbooks und Servicekontext, damit Teams Vorfälle selbstständig untersuchen und die Zuverlässigkeit im Laufe der Zeit verbessern können.
Häufig gestellte Fragen
Was Kunden uns zu Observability-Experten am häufigsten fragen – kurz beantwortet.
Unternehmen nutzen Observability, um zu verstehen, wie sich Anwendungen und Infrastruktur in der Produktion verhalten. Sie hilft Spezialisten, langsame Anfragen, fehlgeschlagene Abhängigkeiten, Kapazitätsprobleme und Vorfälle mit Auswirkungen auf Nutzer zu erkennen und diese Symptome anschließend auf eine wahrscheinliche Ursache zurückzuführen.
Observability erweitert Monitoring über vordefinierte Prüfungen und bekannte Fehlerbedingungen hinaus. Monitoring kann zeigen, dass ein Service ausgefallen ist oder ein Alert ausgelöst wurde, während Observability Metriken, Logs und Traces kombiniert, um unbekanntes Verhalten in verteilten Systemen zu untersuchen.
Ein kompetenter Observability-Spezialist kann mit OpenTelemetry, Prometheus, Grafana, Jaeger, Tempo, Loki und Elasticsearch arbeiten. Die richtige Kombination hängt von der Cloud-Umgebung, dem Workload, bestehenden Datenspeichern, Compliance-Anforderungen und dem Betriebsmodell des Teams ab.
Für gute Observability sind oft Kenntnisse in Kubernetes, Cloud-Infrastruktur, Netzwerken, Anwendungsperformance, Incident Response und Sicherheit erforderlich. Erfahrung mit CI/CD hilft außerdem dabei, Telemetrie mit Releases, Deployment-Änderungen und automatisierten Service-Prüfungen zu verbinden.
Der erforderliche Hintergrund hängt vom Umfang ab. Eine klar abgegrenzte Instrumentierungsaufgabe erfordert nachweisbare Erfahrung mit der relevanten Sprache und dem Telemetriestack, während eine Observability-Initiative für die gesamte Plattform Fachkräfte benötigt, die Standards, Governance, Alerting und Incident-Prozesse über viele Services hinweg entwickelt haben.
Ja, ein großer Teil der Observability-Arbeit kann remote über sicheren Zugriff, Dokumentation und strukturierte Workshops umgesetzt werden. Vor-Ort-Termine in München können dennoch hilfreich sein, wenn Spezialisten kritische Prozesse erfassen, sich mit mehreren Teams abstimmen oder Incident-Abläufe direkt verbessern müssen.
Fragen Sie, wie der Spezialist Signale auswählen, Serviceverantwortlichkeiten definieren, Telemetriekosten kontrollieren und die Qualität von Alerts überprüfen würde. Ein guter Observability-Experte kann Zielkonflikte erklären, klare Untersuchungsabläufe zeigen und messen, ob Teams Vorfälle mit weniger Unsicherheit beheben.
APM konzentriert sich hauptsächlich auf die Anwendungsperformance, einschließlich Transaktions-Traces, Antwortzeiten und Servicefehlern. Observability ist umfassender: Sie kann Anwendungsdaten mit Infrastruktur, Logs, Benutzerkontext und verteilten Traces kombinieren, um das Verhalten des gesamten Systems zu erklären.
Der durchschnittliche Stundensatz von Freelancern in München, Deutschland, die Observability in ihren letzten Projekten eingesetzt haben, liegt bei 106 €, was einem Tagessatz von etwa 844 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern in München, Deutschland, die Observability in ihren letzten Projekten eingesetzt haben, haben 95% mindestens einen Bachelor-Abschluss, 63% mindestens einen Master-Abschluss und 11% einen Doktortitel.
Freelancer in München, Deutschland, die Observability in ihren letzten Projekten eingesetzt haben, haben im Durchschnitt 17 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 2,1 Jahre.
Die häufigsten Sprachen unter Freelancern in München, Deutschland, die Observability in ihren letzten Projekten eingesetzt haben, sind Englisch (100%), Deutsch (82%) und Russisch (14%).
Die häufigsten Industrien unter Freelancern in München, Deutschland, die Observability in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (100%), Einzelhandel (50%) und Bank- und Finanzwesen (45%).
Die häufigsten Bereiche unter Freelancern in München, Deutschland, die Observability in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (100%), Produktentwicklung (91%) und Projektmanagement (45%).
Hauptstandorte der FRATCH Experten, die kürzlich Observability-Experten eingesetzt haben
Unsere Freelancer und Interim-Experten sind in der gesamten DACH-Region zuhause — verfügbar vor Ort in den wichtigsten Wirtschaftszentren oder komplett remote. Wähle einen Standort und entdecke passende Spezialisten, lokale Markteinblicke und aktuelle Verfügbarkeiten.
Kostenlose Demo vereinbaren
Kontaktiere uns und das FRATCH-Team meldet sich innerhalb von 4 Stunden bei dir.
Möchtest du lieber direkt mit uns in Kontakt treten?
Wir haben immer Zeit für einen Anruf oder eine E-Mail!

Berlin
Hamburg
Köln
Frankfurt
Düsseldorf