GPT Experten in Berlin

• Mentor eines Teams aus 6 ML-Platform-Engineers durch wöchentliche 1:1s, technische Design-Reviews und Best Practices; Verbesserung der Team-Produktivität um 35% durch strukturierte Sprint-Planung und Programme zur Skill-Entwicklung
• Definition der ML-Plattform-Roadmap 2025–2026 in Zusammenarbeit mit Data Science, Cloud Engineering und Product Teams; Priorisierung von automatisierter Model Governance, Cost-Attribution-Systemen und Multi-Environment-Deployment-Strategien
• Zusammenarbeit mit Stakeholdern aus Data Science, SRE und Product, um die Fähigkeiten der ML-Plattform mit den Geschäftszielen abzustimmen; Reduktion der Deployment-Hürden für Data Scientists um 60% durch Self-Service-Plattformen
• Architektur und Lieferung einer produktionsreifen MLOps-Plattform für 50+ Modelle in Produktion mit automatisierten Promotion-Pipelines, Versionierung und Rollback-Funktionen; Erreichung eines SLA von 99,5% Plattform-Uptime
• Design einer verteilten ML-Pipeline-Architektur mit Metaflow und Argo Workflows (Vertex Pipelines-kompatibel); Verkürzung der Modell-Trainingszeit um 30% und der Deployment-Zyklen von 2 Wochen auf 3 Tage durch vollständige CI/CD-Automatisierung
• Aufbau containerisierter ML-Services auf Kubernetes mit Auto-Scaling-Policies, Resource Quotas und Multi-Tenancy-Isolation; Optimierung der Infrastrukturkosten um 180K $ pro Jahr (25% Reduktion)
• Implementierung von Monitoring, Alerting und Performance-Tracking mit Prometheus, Grafana und Custom Instrumentation; Reduktion der Debugging-Zeit für Modelle um 50% und Einführung von SLOs für die Modell-Performance
• Leitung der Entwicklung einer RAG-basierten Document-Intelligence-Plattform mit LangChain, LangGraph und Vektor-Datenbanken; Implementierung von Agentic-AI-Workflows für die automatisierte Verarbeitung von Finanzdokumenten
• Implementierung von Infrastructure-as-Code mit Terraform für reproduzierbare Umgebungseinrichtung und GitOps-Workflows; Reduktion von Infrastruktur-Drift-Vorfällen um 80%
• Design von rollenbasiertem Zugriff für die ML-Plattform, Implementierung von Model-Lineage-Tracking und Aufbau von Audit Trails für regulatorische Compliance nach Enterprise-IAM-Best Practices

• Konzeption und Umsetzung datenintensiver Plattformen für Unternehmenskunden
• Design komplexer KI-basierter Interaktionen (Chatbots, Sprachsteuerung, semantische Suche)
• Stakeholder-Management mit über 10 Teilnehmern in funktionsübergreifenden Teams
• Nutzerforschung: Interviews, Usability-Tests, Nutzenvalidierungen
• Definition von Qualitätskennzahlen und Durchführung von Nutzenanalysen

Tools & Methoden: Figma, Adobe XD, Miro, Chat GPT, Claude | Scrum, Kanban, SAFe, Lean UX

Ausgewählte Kunden: VW Group, Volkswagen, BMW, Cariad, ABUS, Gieseke & Devrient, Hamburger Senatskanzlei, Deutsches Rotes Kreuz, Deutsche Bahn, Immoscout24, Relynk

• Enterprise-Retrieval-Augmented-Generation-(RAG)-Anwendungen mit LangChain, LangGraph, Vektordatenbanken, Embeddings und Open-Source-LLMs entworfen und bereitgestellt, die über vLLM auf GCP-GPU-Infrastruktur betrieben wurden.
• Agentic-AI-Workflows mit LangGraph entwickelt, inklusive Planung, Schlussfolgern, Tool-Ausführung, persistenter Speicherung, Sitzungsverwaltung und Human-in-the-Loop-Freigabemechanismen.
• LLM-gestützte Automatisierungssysteme entwickelt, die BigQuery, SQL-Pipelines und externe Werbe-APIs wie Meta, TikTok, Amazon, Snapchat, Google und Pinterest integrieren und manuelle operative Abläufe reduzieren.
• Multi-Agent-AI-Systeme für Enterprise-Analytics- und Entscheidungsunterstützungs-Workflows entworfen, die autonome Aufgabenausführung und intelligente Dateninteraktionen ermöglichen.
• Retrieval-Optimierungsstrategien umgesetzt, darunter Multi-Retriever-Architekturen, semantische Suche, Kontextoptimierung und Query-Verbesserungstechniken, wodurch die Relevanz der Antworten um etwa 40 % verbessert wurde.
• Strukturierte Prompting-Strategien, Function-Calling-Schemata und Validierungs-Workflows entwickelt, um die Zuverlässigkeit von mehrstufigen LLM-Anwendungen zu verbessern.
• Skalierbare AI-Services mit Python, FastAPI, Cloud Run, Pub/Sub, BigQuery, Docker und cloud-nativen Bereitstellungsarchitekturen entworfen.

KI-Plattform-Backend – Senior Developer

Engagiert, um ein Backend für eine KI-Plattform von Grund auf zu konzipieren und aufzubauen, inklusive Multi-Provider-LLM-Orchestrierung und Echtzeitinfrastruktur für KI-Influencer-Personas im großen Maßstab.

Aufgaben und Verantwortlichkeiten

• Architektur und Implementierung einer Multi-LLM-Orchestrierungsschicht mit Semantic Kernel zur Integration von GPT-4 und weiteren Anbietern für die Kernplattformlogik und KI-Influencer-Personas, Reduzierung des Modellwechsel-Overheads durch Abstraktion der Anbieter-APIs hinter einer einheitlichen Schnittstelle.
• Entwurf und Entwicklung eines Backends von Grund auf in C# / .NET 10, einschließlich Domain-Modellierung mit DDD, versionierter RESTful-API-Schicht und Cloud-Infrastrukturaufbau auf Azure.
• Aufbau einer Echtzeit-Chat-Infrastruktur mit Server-Sent Events (SSE), Nachrichtenpersistenz und Zustellungsgarantien für den Live-Betrieb von KI-Influencer-Personas im großen Maßstab.
• Entwicklung eines Medienverwaltungsdienstes mit Integration von Cloud-Objektspeicher für Upload und Abruf influencer-generierter Inhalte.
• Erstellung einer Integrations- und Unit-Test-Suite mit Daten-Seeding für zuverlässige Regressionstests über alle Kernplattform-Flows, deutliche Reduzierung der Produktionsfehlerrate.

Werkzeuge und Technologien: C#, .NET, ASP.NET Core, Python, TypeScript, MySQL, Semantic Kernel, EF Core, Minimal APIs, LLM Orchestration, Prompt Engineering, Agentic AI, Generative AI, AI-Assisted Engineering, Claude Code, GitHub Copilot, Google Gemini, OpenAI API, Ollama, Redis, Azure, Azure Container Apps, Azure Database for MySQL, Docker, GitHub Actions, Clean Architecture, Vertical Slice Architecture, CQRS, Domain-Driven Design, REST API, xUnit, Integration Testing, Unit Testing, Jira, Confluence, Scrum

• Entwickelte ein JTBD-basiertes Priorisierungs-Framework für über 3.000 gesammelte Feature-Anfragen, identifizierte 27 Makler-Jobs, validierte 8 davon in 25 Nutzerinterviews und nutzte die daraus resultierende Job-Map als Live-Priorisierungsfilter für alle Eingangskanäle (Upvoty, CSAT, Beratungstickets).
• Verantwortlich für die Scout24-Lighthouse-Initiative: Document Intelligence mit vollständiger RAG-Architektur (semantisches Chunking, bge-m3 Embeddings, pgvector, BM25+Dense Hybrid-Retrieval).
• Reduzierte die Durchlaufzeit von Kunden-Feature-Anfragen auf 3,1 Tage durch Code-Analyse, Ticket-Spezifikation und eigenständige Implementierung mithilfe eines Coding-Agenten (Codex).
• Entwickelte einen LLM-basierten Support-Agenten (GPT-4o mini, Codex-generierte Merge Requests), der Eskalationen auf 3rd-Level von 40 % auf 5 % aller monatlichen Tickets reduzierte.
• Integrierte sechs Partner durch technische Koordination, Spezifikation, Backlog- und Release-Management und führte sieben Full-Stack-Entwickler.
• Beseitigte innerhalb von sechs Wochen regulatorische Risiken für Makler durch Risikoanalyse (BGH-Urteil zum Fernabsatz/GDPR), neue Audit-Funktionen und Koordination mit Rechts- und Datenschutzbeauftragten.

• Einführung in KI und Automatisierung
• Das Automatisierungsprojekt
• Make.com Foundations
• Automation Basics: Datenmanagement
• Workflows dokumentieren, Fehler beheben und Reports automatisieren
• Exkurs: Daten als Grundlage von KI-Systemen
• Implementierung von KI-Lösungen in der Praxis
• Exkurs: Large Language Models (LLM's)

• Agierte als technischer Berater zur Optimierung von mehrschichtigen Ensemble-Modellen, die ResNet, CNN-BiGRU-Attention und XGBoost kombinierten.
• Begleitete die Umsetzung eines Logistic-Regression-Meta-Lerners zur Lösung von Klassenungleichgewichten und erreichte 92,86 % Genauigkeit und einen AUC-Wert von 0,9644 auf den Datensätzen PTB-XL und Chapman-Shaoxing.

• Vollständige Automatisierung des Softwareentwicklungsprozesses: Ticket-Analyse → KI-Coding-Agenten → Pull Request → automatisiertes Code-Review → Deployment
• Multi-Tenant-Architektur mit 82 Datenbankmodellen und Echtzeit-WebSocket-Monitoring
• Integration von 40+ KI-Tools mit Claude & GPT
• Tech-Stack: React, TypeScript, Express.js, PostgreSQL, Redis, BullMQ
• Plattform produktiv im Einsatz mit zahlenden Kunden

• Strategisches und operatives Management: Strategie, Marketing, Kommunikation, Sponsoring, Leadmanagement, Growth-Kampagnen sowie Customer Success, teilweise KI-gestützt

• Aufbau und Prozessdesign im CRM und in der Customer Journey

• Konzeption und Umsetzung proaktiver Targeting-Strategien sowie innovativer Marketinginitiativen auf Basis von Markt- und KPI-Analysen

• Stakeholder Management mit internen/externen Schnittstellen und Agenturen

• Steuerung und Überwachung von SEO/SEA-Kampagnen sowie Website-Relaunches, E-Mail-Automation, PR- und Content-Kampagnen sowie diversen Performance-Marketing- und Social-Media-Kampagnen

• Erstellung des Produkt-Wertversprechens sowie Weiterentwicklung der UX/UI von Website und Printmaterialien

• Auswahl, Führung und Entwicklung von Teams (bis zu 17 MA)

• Teilnahme an Kongressen und Messen als Speaker und Moderator

• Verdreifachung der Leadzahlen mittels Digitalisierung von Marketing- und Vertriebsprozessen

• Signifikanter Ausbau der Profitabilität durch Optimierung der Customer Journey und Marketing Automation

• Neukundengenerierung und Geschäftsfeldentwicklung durch Produkterweiterung und Funnel-Optimierung

• Durchführung von Cybersecurity-Bereitschaftsprüfungen auf Basis einer eigenen Prüfungsmethodik
• Analyse der externen Angriffsfläche mittels Graydaxe EASM-Plattform
• Reifegradbewertung und Ableitung priorisierter Handlungsempfehlungen

• Überarbeitung des gesamten Designs und der Implementierung neuer UI/UX-Aspekte mit React
• Planung der Softwarearchitektur und Strukturierung des Projekts für langfristige Skalierbarkeit mit Git für die Versionsverwaltung

• Produktvision, Roadmap und ein abonnementbasiertes Monetarisierungsmodell definiert.
• Multimodale KI-Orchestrierung (Gemini + GPT-Fallback) entwickelt, um Zuverlässigkeit und Kosteneffizienz sicherzustellen.
• Eine erklärbare Insight-Engine mit Confidence-Scoring und Erkennung von Agile-Antipatterns entworfen.
• Eine Full-Stack-Architektur (FastAPI, PostgreSQL, React) aufgebaut und bereitgestellt, mit sicherer Authentifizierung und Quotenverwaltung.
• Tech: Python, FastAPI, PostgreSQL, React, TypeScript, Stripe, Gemini API, OpenAI API.

• Etablierung von Identity- & Directory-Management als neues (ausgelagertes) Team und Produkt im IAM-Cluster.
• Leitung des Produkts „Identity & Directory Management“ (8 Personen) als Product Owner.
• Konzept für „Digitale Identitäten“, d. h. IDs mit beliebig vielen Nutzern/Konten und Strategie für ein modernisiertes Produktangebot.
• Modernisierung der APIs, Migration zu containerisierter Infrastruktur, Rollout in internationale Märkte und standardisierte Lösungen im gesamten REWE-Konzern.
• Tech: OpenText™ (NetIQ) eDirectory & Identity Manager, LDAP, SAP HR/HCM, Docker/Kubernetes/Podman, REST-APIs, Microsoft Active Directory & Entra ID, PostgresDB, Keycloak, Ansible, Cyberark (PAM), Apache Kafka, Jira, Confluence, Miro.