Ollama-Experten in München

• Wiederkehrendes Problem in eigenen KI-gestützten Projekten: Anforderungsanalyse, Use Cases und Architekturentscheidungen entstehen mit KI-Unterstützung zwar schnell, bleiben aber wenig nachvollziehbar und über Markdown-Dateien verstreut – Wissen geht verloren, sobald es nicht mehr im Kontextfenster ist. arknet macht Requirements Engineering und Architekturwissen zu strukturierten, prüfbaren Daten statt Fließtext: Anforderungen, Use Cases und Architekturentscheidungen als durchgängig verknüpfter Wissensgraph, von der Anforderung bis zur Architekturentscheidung nachvollziehbar – für Menschen und KI-Agenten gleichermaßen abfragbar. Technisch auf RDF/OWL und einem eigenen MCP-Server aufgesetzt.

• Ergebnis: MCP-Daemon lauffähig, Docker-Image automatisiert auf GHCR veröffentlicht, neun hexagonale Module, elf ADRs (u. a. Open-Core-Lizenzmodell). Requirements-Engineering- und Ubiquitous-Language-Hexagon aktiv. Seit 07/2026 als Community Edition unter Apache-2.0 öffentlich (github.com/kogn-io/arknet), zusammen mit dem Claude-Code-Plugin und dem GHCR-Image; Open-Core-Modell.

• Label: Java, Maven, RDF, RDF4J, OWL, SPARQL, Model Context Protocol, Spring AI, Docker, GitHub, Git, Claude Code, Obsidian, DDD, Hexagonal Architecture, ArchUnit, JUnit, AssertJ, Schnittstellenentwicklung, Software Architecture, Continuous Integration, Knowledge Management

• 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).

• Erforschung, Entwicklung und Umsetzung einer umfassenden Digitalstrategie zur Modernisierung und Beschleunigung der Abläufe eines Sportvereins mit rund 1300 Mitgliedern.

• Systemarchitektur & Implementierung: Konzeption und Aufbau einer zentralen, kostengünstigen und energieeffizienten ARM-basierten Serverinfrastruktur.

• Auswahl, Installation und Konfiguration von Open-Source-Lösungen für Wissensmanagement, Ticketbuchung und Mitgliederverwaltung.

• Entwarf und implementierte eine fortschrittliche, agentenbasierte RAG-Pipeline mit LangChain und LangGraph zur strukturierten Datenextraktion aus PDFs. Dabei kamen Tools, Zustandsverwaltung und OpenAI-LLMs (GPT-4) zum Einsatz, um die Genauigkeit zu verbessern und komplexe Dokumentstrukturen zu verarbeiten.
• Entwickelte einen Google-KI-Agenten zur Extraktion strukturierter Informationen aus PDF-Dokumenten und stellte ihn auf Vertex AI bereit.
• Entwickelte Datenpipelines mit Azure Data Factory und Databricks, um Daten aus Azure Blob Storage aufzunehmen, mit PySpark zu verarbeiten und über Linked Services in Azure SQL Database zu laden.
• Verpackte KI-Agenten und Dienste mit Docker in Container, um eine einheitliche lokale Entwicklung und Bereitstellung zu ermöglichen.
• Verwendete PySpark und Dask für Datenbankabfragen in Verbindung mit Azure Blob Storage und Document Storage.
• Entwickelte einen ReAct-Agenten, der mithilfe von Tools und der Integration von Azure Document Intelligence strukturierte Daten aus PDF-Dokumenten extrahiert.
• Wirkte am Projekt zur Validierung von CPO-Rechnungen mit. Dabei wurden mit Databricks vorhandene CDRs ermittelt und die gesamten gültigen Kosten berechnet.
• Entwickelte einen dialogfähigen KI-Agenten (Chatbot) mit einem FastAPI-Backend, integrierte RAG für eine präzise Tariferkennung und stellte den Dienst mit Azure Container Apps bereit.
• Verwendete Tools: Azure, Azure OpenAI, Azure Document Intelligence, Azure Blob Storage, Google ADK, Google Cloud, Vertex AI, Gemini, Databricks, LangChain, LlamaIndex Ollama, Docker, PySpark, Azure SQL, Azure Data Factory, Azure AI Agent, Microsoft SQL Server

KI-gestützte Automatisierung der Einkäufe auf einer Druckerei-Website mit Auswahl von Lieferzeiten, Bestelloptionen, Bestellung, Bezahlung und Hochladen der Druckdaten aus der Lumiz-Cloud.

• Erfolgreich über 150 BI-Dashboards (Jira, Microstrategy, AWS QuickSight) als Projektleiter von 4 Entwicklern migriert, dabei einen reibungslosen Übergang und die Datenintegrität sichergestellt.

• Softwareentwicklung eines B2B-SaaS zur KI-basierten Suche in internen Kandidatenpools von Personalberatungen
• Konzeption als mandantenfähige, hybride Architektur mit eigenen GPU-Servern und sicherer Cloud-Anbindung
• KI-Engineering
• LLMOps
• Python
• FastAPI

• Führung leistungsstarker Teams zur Steigerung der Effizienz von Unternehmenssystemen, mit Spezialisierung auf ERP- und PIM-Systeme in AWS, Azure und firmeneigenen Rechenzentrumsinfrastrukturen
• Sicherstellung einer nahtlosen Ausrichtung an den Vorstellungen der Stakeholder durch strategische Technologie-Integration und dynamische Führung
• Aufbau von Generativen KI-Lösungen unter Nutzung von Plattformen wie Azure/OpenAI, Google, Claude und Ollama
• Entwicklung intelligenter Systemintegrationen und fortschrittlicher Datenstrategien unter Einsatz von KI- und Machine-Learning-Modellen
• Etablierung von agilen Methoden (SCRUM) und Mentoring des Teams in Rollen wie Team Lead, Scrum Master und Product Owner
• Bereitstellung robuster, skalierbarer Lösungen zur Förderung des strategischen Unternehmenswachstums und operativer Exzellenz