
OpenTelemetry-Experten in Deutschland
, die innerhalb weniger Minuten mit geprüften und verfügbaren Freelancern zusammengebracht werdenBeauftragen Sie Experten, die verteilte Systeme instrumentieren, Traces mit Metriken und Logs verbinden und Observability in cloudnative Bereitstellung integrieren. Erhalten Sie schnell präzisen Zugang zu geprüften, verfügbaren Freelancern, die zu Ihren technischen Anforderungen passen.
Lerne FRATCH Experten in Deutschland kennen, die kürzlich OpenTelemetry-Experten eingesetzt haben
Erkan Y.
Letzte Position:
DevOps-Experte bei Datev
Aufgabe: Operator-Entwicklung und Observability
Technologien und Kenntnisse: Kubernetes, Valkey-Operator, Crossplane, Backstage, OpenPortal, OTEL, Grafana Cloud, Azure DevOps, Artifactory, Flux, Alloy, Prometheus, Grafana, Loki, OCF, Copilot
Tätigkeiten:
- Evaluierung/Entwicklung des Valkey-Operators
- Einrichtung von OpenTelemetry
- Integration in OpenPortal/Backstage/CrossPlane
Ajay M.
Letzte Position:
Architekt für Plattform-Engineering bei Hundertserver GmbH
- Entwurf verwalteter Kubernetes-Plattformen für mehr als 150 Unternehmenskunden aus den Bereichen Energie, Logistik, Automobil und öffentlicher Sektor.
- OCaaS entworfen: Kubernetes-native, mandantenfähige SaaS für KI-Assistenten mit Isolierung pro Mandant und Namespace, zweistufiger LLM-Inferenz und automatisierter Verwaltung des Mandantenlebenszyklus.
- Chronos entworfen, Kafka as a Service auf Strimzi mit hybrider Mandantenstruktur (gemeinsam genutzte und dedizierte Stufen); den Plattform-RFC verfasst.
- Multi-Cluster-GitOps aufgebaut (Flux CD, Helm, Kustomize); Änderungen werden auf kurzlebigen k3d-Clustern mit Renovate + GitLab CI und automatischem Merge validiert.
- Argus konzipiert: korrelierte OTeI-Traces, Logs und Metriken (LGTM-Stack).
- Geheimnisse von HashiCorp Vault zu OpenBao migriert; Kyverno-Policy-Framework für RBAC-Automatisierung und die Synchronisierung von Geheimnissen über Namespaces hinweg.
- Salar aufgebaut: Node-Patching und Cluster-Upgrades mit Uyuni + SaltStack.
- Plattform-Storage mit Ceph und SeaweedFS; Objektspeicher von MinIO migriert.
- Kundenprojekte: OTeI-Observability und Datadog SAML für ein globales Kulturinstitut; Reaktion auf Galera/PXC-Vorfälle bei einem SaaS-Anbieter.
Vivekanandhan S.
Letzte Position:
DevOps-Berater/Site Reliability Engineer bei IONOS
- Verwaltung mehrerer Kubernetes-Cluster in der Produktion mit Ceph als Speicherschicht.
- Implementierung von CI/CD-Pipelines zur Automatisierung von Deployments mit Gitlab CI
- Terraform für die Bereitstellung von Infrastruktur.
- Claude Code
- Helm-Charts für Deployments über ArgoCD
- Implementierung automatisierter Pipelines für die Benachrichtigung bei Vorfällen in Kubernetes, um die verpflichtenden 24-Stunden-Frühwarn- und Offenlegungsregeln von NIS2 einzuhalten
- Konfiguration von Azure Policy und Logging-Leitplanken gemäß BSI IT-Grundschutz (SYS.1.3 / OPS.1.1), um die kontinuierliche Einhaltung der Basisanforderungen für mehr als 50 Cloud-Workloads sicherzustellen
Umgebung: Gitlab CI, IONOS Cloud, Ceph, ArgoCD, terraform, Elastic cluster, Grafana, Alert Manager & Prometheus
Murad K.
Letzte Position:
Senior AI/ML-Ingenieur bei Quantistry GmbH
- Leitete die ganzheitliche Umsetzung von ML-/KI-Anwendungen für die QuantistryLab-Simulationsplattform – von der Anforderungsdefinition und Lösungsplanung über Entwicklung, Tests und Bereitstellung bis zur Unterstützung im Produktivbetrieb. Dabei koordinierte ich die Zusammenarbeit der Back-End-, DevOps- und ML-Teams.
- Entwarf und implementierte ein System zur Suche nach Verbindungen mit einem LLM mit offenen Gewichten, dem Agenten-Framework Pydantic AI und dem Model Context Protocol (MCP) und stellte es über FastAPI-Endpunkte bereit.
- Stellte den LLM-Service auf Basis von vLLM auf Kubernetes bereit und konfigurierte ihn.
- Entwickelte CI/CD-Pipelines und Helm-Charts, um Bereitstellungen in Staging- und Produktionsumgebungen zu automatisieren.
- Ergänzte das Suchsystem um OpenTelemetry-Spans und -Traces und integrierte es in die Observability-Plattform Honeycomb, um die Latenz einzelner Komponenten und Funktionsfehler zu überwachen.
- Entwickelte einen benutzerdefinierten Evaluierungsdatensatz und setzte Auswertungen für die Relevanz der Suchergebnisse, die Richtigkeit der Antworten, die Genauigkeit von Tool-Aufrufen und den Erfolg der Aufgaben von Anfang bis Ende um.
- Verkürzte die Vorhersagezeit für Infrarotspektren um 83 % (von 60 auf 10 Minuten), indem ich ein quantenmechanisches Modell durch ein vortrainiertes graph-neuronales Netzwerk ersetzte. Ich trainierte das Modell mit PyTorch weiter, entwickelte und containerisierte die Inferenzpipeline mit Docker und integrierte sie in die Plattform.
- Implementierte eine MLflow-Modellregistrierung mit MinIO-gestützter Artefaktspeicherung.
- Beriet Vertriebs- und Wissenschaftsteams zu ML-/KI-Anwendungen für potenzielle Kundenprojekte und brachte technisches Fachwissen in die Entwicklung vorgeschlagener Lösungen und Prototypen ein.
Technologien: AWS, Hetzner, Kubernetes, Helm, Docker, vLLM, Pydantic AI, MCP, Qwen, Llama 3, MLflow, MinIO, GitHub Actions, Python, FastAPI, OpenTelemetry, Honeycomb, PyTorch, Polars, pytest
Caleb C.
Letzte Position:
Senior Python-Backend-Engineer bei Simon-Kucher
Übertragungsnetzbetreiber – Plattform zur Netzwerkbereitstellung (Teamleitung)
- Entwarf den Saga-Orchestrator in Python, der Netzwerkstrukturen mit Rollback bereitstellt.
- Gliederte IP, Identität und Ressourcenverteilung in Bounded Contexts mit eigenen Datenbanken und typisierten Clients auf.
- Implementierte den Datenzugriff mit DDD-Repositories und Units of Work, ohne SQL im Domänencode.
- Führte Integrationstests mit echten PostgreSQL- und RabbitMQ-Containern sowie API-Fuzzing für jeden Service ein.
- Führte einen Agenten-Workflow ein, bei dem jede Änderung mit einer Spezifikation beginnt und ein Mensch jeden Merge freigibt.
- Rollte die automatische OpenTelemetry-Instrumentierung per GitOps über achtzehn Kubernetes-Cluster aus.
- Leitete die Reaktion auf Vorfälle bei festgefahrener Bereitstellung und hielt jeden Ausfall in einem Post-Mortem fest.
Verwendete Sprachen und Software: Python, FastAPI, Pydantic v2, SQLAlchemy async, PostgreSQL, RabbitMQ, Celery, pytest, testcontainers, schemathesis, Helm, Flux CD, GitLab CI, OpenTelemetry, pi coding agent.
Softwareproduktunternehmen – SaaS für Rechenzentrumssimulation (Backend-Entwicklung)
- Entwickelte als zweitgrößter von mehr als zwanzig Mitwirkenden die asynchrone Simulationspipeline.
- Kennzeichnete jedes Image in den GitHub-Actions-Deploy-Workflows mit Commit-SHA und SemVer.
- Diagnostizierte den RabbitMQ-Speicheralarm, der alle Simulationen zum Stillstand brachte, und korrigierte die Limits im Helm-Chart.
- Stellte die Testsuite auf pytest im Function-Style um und ließ die Testabdeckung in jeder Pipeline ausweisen.
Verwendete Sprachen und Software: Python, FastAPI, SQLAlchemy, Alembic, Celery, RabbitMQ, Redis, PostgreSQL, S3, EKS, Helm, Keycloak, GitHub Actions, pytest, mypy, ruff, SonarQube.
Interne KI-Plattform – Modellbereitstellung und Telemetrie
- Entwickelte den FastAPI-Service, der Open-Weight-Modelle auf GPU-Tiers als OpenAI-kompatible Endpunkte bereitstellt.
- Aktualisierte das EKS-Produktionssystem um zwei Kubernetes-Minor-Versionen und behob zonengebundene Speicherfehler.
- Erfasste jeden Modellaufruf mit Tokenanzahl, Kosten und Latenz über den OpenTelemetry-Operator.
Verwendete Sprachen und Software: Python, FastAPI, vLLM, LangGraph, pydantic-ai, OpenAI- und Anthropic-APIs, EKS, Helm, Flux CD, Terraform, GitLab CI, OpenTelemetry, Grafana.
Lasse B.
Letzte Position:
Infrastructure Engineer bei YC Infra AI Startup
Aufbau und Betrieb der gesamten Infrastruktur- und Observability-Plattform für eine Plattform zur Bewertung von KI-Agenten auf AWS/Kubernetes. Leitung der Weiterentwicklung einer Cloud-nativen Plattform mit KI-Fokus durch den Aufbau einer durchgängigen Observability, die Automatisierung von Infrastruktur und CI/CD, die Verbesserung von Zuverlässigkeit und Skalierbarkeit, die Optimierung der Leistung durch datengestützte Entwicklung sowie die Arbeit in einem KI-nativen Entwicklungsprozess mit Fokus auf schnelle Iteration, Code-Reviews und Automatisierung. Der Technologie-Stack umfasste Terraform, AWS, Kubernetes, Grafana, Github Actions, Python und Cursor.
Boian V.
Letzte Position:
Solution Architect bei DB InfraGO AG
Die Basisdienste von DB InfraGO bilden einen zentralen Datenhub zwischen den IT-Systemen des Unternehmens. Es werden gemeinsame Datendienste entwickelt, die Daten aus Quellsystemen an eine Vielzahl nachgelagerter Systeme verteilen (über JMS) und bereitstellen (über REST-API). Die bestehende, auf TIBCO basierende Servicelandschaft wird auf die cloud-native Plattform von DB InfraGO migriert.
- Architekturdesign und Implementierung einer performanceoptimierten Massenverarbeitung von mehreren Millionen Datensätzen zu bestimmten Tageszeiten
- Technische Spezifikation und Dokumentation der Geschäftsanforderungen
- Integration verschiedener Subsysteme (einschließlich SAP und Salesforce) durch die Neuentwicklung von mehr als 40 auf Spring Boot basierenden Microservices
- Migration von TIBCO-basierten Microservices von der Enterprise Integration Platform auf die Cloud Native Platform mit Spring Boot
- Aufbau einer Deployment-Pipeline mit GitLab CI/CD und Artifactory sowie automatisiertes Deployment in eine Kubernetes-Umgebung mithilfe von ArgoCD
- Definition und Implementierung automatisierter Unit-, Integrations- und Regressionstests
Teamgröße: 9
Technologien/Tools: Java, Spring Boot, ActiveMQ(JMS), JUnit, Tibco Business Works, Gitlab (CI/CD), Kubernetes (Amazon AWS), ArgoCD, postgreSQL, Oracle, Postman, Hoppscotch, openAPI, Sonarqube
Gabin Maxime N.
Letzte Position:
Multi-Agenten-Forschungs- und Entwicklungs-Pipeline (3 individuelle Agenten) bei Eigenständiges Projekt
Claude-Code-Subagenten, MCP, Pydantic V2, pytest, bandit
3 spezialisierte Agenten entwickelt und produktiv eingesetzt, die die Arbeit entlang einer Kette weitergeben: Ein Forschungsagent erstellt eine zitierte Implementierungsspezifikation, ein Coding-Agent entwickelt den modularen Code und seine Tests, und ein Review-Agent bewertet die Ergebnisse nach Schweregrad und setzt die Korrekturen um. Jede Übergabe erfolgt als strukturiertes Dokument, sodass keine Phase vom Kontextfenster eines anderen Agenten abhängt.
Den Forschungsagenten mit einem MCP-Server für akademische Recherche verbunden (Semantic Scholar, ArXiv, Hugging Face Hub, Zitationsverfolgung), sodass jede Referenz auf ein Tool-Ergebnis und nicht auf das Modell zurückgeht. Commits hinter ruff, mypy, pytest und bandit abgesichert, menschliche Freigabe vor Installationen und Commits verlangt und den Sitzungsstatus auf der Festplatte gespeichert, damit lange Läufe einen Kontext-Reset überstehen.
Karthikeyan R.
Letzte Position:
Full-Stack Developer — Eigenes Produkt bei Self-employed
Java 21 · Spring Boot 3 · Keycloak · PostgreSQL · Docker · Nginx · GitHub Actions · DigitalOcean · React 18 · TypeScript · Plasmo
- Eine produktionsreife Job-Application-Tracker-Lösung von Grund auf konzipiert und live gestellt: REST-API mit 5-stufigem Workflow, Pagination, Sortierung und dynamischem Filtern — komplette Verantwortung von Design bis zum Live-Deployment in der Cloud auf DigitalOcean.
- Produktives Identity Management umgesetzt: OAuth 2.0 / OpenID Connect / JWT / RBAC über Keycloak, unter Anwendung von Hexagonaler Architektur und DDD-Prinzipien.
- Automatisierte CI/CD-Pipeline gebaut (GitHub Actions); mit Docker containerisiert; Nginx Reverse Proxy mit pathbasiertem Routing und SSL-Terminierung.
- Eine Chrome-Erweiterung entwickelt (Plasmo-Framework, Manifest V3), die Job-Bewerbungen direkt von LinkedIn in den Tracker übernimmt — zeigt ein komplettes Produktverständnis über Backend-API und Browser-Client hinweg.
Samuel K.
Letzte Position:
Gründer & Agentic-AI-Ingenieur bei Agentakt LLC
Unabhängige Engineering-Praxis mit Schwerpunkt auf kundenspezifischen KI-Systemen, produktiver Umsetzung und anteiliger technischer Leitung.
Ausgewähltes Kundenprojekt: Scalutions
Rolle: Tätigkeit als anteiliger CTO und technischer Leiter mit direkter Entwicklungsverantwortung; verantwortlich für die Architektur und die agentische Infrastruktur hinter dem betreuten B2B-Outbound-Betrieb.
Produkt: OutboundLoop entworfen und entwickelt, ein agentisches SDR-Betriebssystem für Recherche, Qualifizierung, personalisierte Ansprache, Kampagnenmanagement, menschliche Freigaben, Messung und kontinuierliche Verbesserung.
Umfang: Verantwortung für den gesamten Systemlebenszyklus – von Geschäftsprozessen und Agentenverhalten über Kontextdesign, Modell-Routing, Integrationen, Evaluierung, Telemetrie, Zuverlässigkeit und Kostenkontrolle bis hin zum Produktivbetrieb.
Fahad R.
Letzte Position:
Data Science – Operationsoptimierung bei Netto-marken
Projekt: Digitalisierung von Lagerprozessen | Aufbau einer Data-Analytics-Plattform.
- Entwickelte ein webbasiertes System zur Einsatzplanung, das die tägliche Schichtplanung digitalisierte, indem es Mitarbeitenden-Know-how passenden Lagerbereichen zuordnete. Dadurch wurde die manuelle Abstimmung durch einen strukturierten Workflow ersetzt, der im ganzen Standort genutzt wurde und den Führungskräften Zeit bei der täglichen Planung sparte.
- Entwickelte ein Dashboard für die operative Echtzeitübersicht, das Führungskräften den aktuellen Durchsatz der Aufgaben und die offene Arbeitslast in den Lagerbereichen über den Tag hinweg live anzeigte und so half, Überstunden und Leerlaufkosten zu senken.
- Entwickelte eine Optimierungslösung für das Slotting, um die Effizienz beim Kommissionieren zu verbessern und die Kommissionierzeit pro Bestellung zu senken, in enger Zusammenarbeit mit den Operations-Teams vom Konzept bis zum produktiven Einsatz.
Verwendete Technologien: Python, Django, PostgreSQL, Pandas, NumPy, HTML, Java, JavaScript, Docker, Kubernetes, AWS, Power BI, GitHub Actions CI/CD, GitOps, Claude, OpenAI
Maximilian B.
Letzte Position:
Mitentwickler bei Nikan AI Solutions GmbH
Multi-Agenten-Plattform zur Dokumentenerstellung
Problem:
Aus einem einzelnen Prompt ein gut recherchiertes, strukturiertes und mit Quellen belegtes Dokument erstellen und dabei die Kontrolle beim Nutzer belassen: Jeder Schritt kann geprüft, korrigiert oder erneut aufgerufen werden, bevor das System fortfährt.
Architektur:
Ein Multi-Agenten-System, das von einer zentralen Steuerung koordiniert wird. Mehr als 20 spezialisierte pydantic-ai-Subagenten (Verstehen, Strukturieren, Planen, Recherchieren, Schreiben, Zusammenstellen, Querverweise prüfen, Glossar, Zitate, Referenztabelle und mehr) geben Ergebnisse anhand eines gemeinsamen, in Postgres gespeicherten Plans (asyncpg) weiter. Eine Runner-Schicht weist jede Aufgabe anhand ihres Namens einem Agenten zu. Mechanische Schritte wie Formatierung, Inhaltsverzeichnis und Abbildungsverzeichnis werden durch deterministischen Code statt durch LLM-Aufrufe erledigt. Der Anbieter (Anthropic oder OpenAI) wird über eine Konfiguration festgelegt, und Antworten werden über Server-Sent Events gestreamt.
Hosting & Infrastruktur:
Ein zustandsloser Container läuft als Scaleway Serverless Container in einem privaten Netzwerk mit verwaltetem PostgreSQL, Objektspeicher für fertige Dokumente und Assets sowie zentraler Protokollübertragung (Loki / Scaleway Cockpit). Bereitstellung mit OpenTofu-Modulen und Deployment über GitLab CI; die Nutzung wird pro API-Schlüssel abgerechnet.
Mein Beitrag und wichtige Entscheidungen:
- Zentrale Entscheidungssteuerung: Ein Zufriedenheitsklassifikator wandelt die Freitext-Rückmeldung des Nutzers in eine Entscheidung um (weiterarbeiten, fortfahren, abbrechen oder eine frühere Aufgabe überarbeiten). Eine Middleware wendet sie auf den Plan an. Der Plan kann zu früheren Aufgaben zurückspringen und die darauffolgenden Schritte erneut ausführen.
- Parallele Recherche und Texterstellung: Die Planung erstellt einen Plan, aus dem ein Recherche-Design-Agent einzelne Rechercheaufgaben und ein Schreib-Design-Agent einzelne Schreibaufgaben erstellt, die jeweils mit der benötigten Recherche verknüpft sind. Jede Aufgabe wird in einem eigenen Agenten mit eigenem Gesprächsverlauf ausgeführt.
- Selbstprüfung und Einbindung des Menschen: Nach jedem Schritt prüft ein Agent für kritisches Denken das Ergebnis. Bevor der Plan fortgesetzt wird, kann der Nutzer eine Kritik annehmen, überarbeiten oder Fragen dazu stellen.
- MCP-Integrationen: Zwei entfernte MCP-Server für die Websuche und die interne Dokumentensuche sind über pydantic-ai angebunden, mit Wiederholungsversuchen und Timeouts für lang laufende Tool-Aufrufe. Klassifikator-Agenten entscheiden für jede Aufgabe, ob eine Websuche nötig ist. Ein kleines Modell fasst rohe Suchergebnisse zu strukturierten Erkenntnissen zusammen, bevor sie die Schreibagenten erreichen.
Nutzungsabrechnung:
Kunden authentifizieren sich mit einem API-Schlüssel, der über einen Schlüsselverwaltungsdienst geprüft wird. Der Verbrauch wird in Credits abgerechnet, berechnet anhand der Token-Nutzung pro Modell zuzüglich eines Aufschlags. Bei ausgeschöpftem Kontingent wird HTTP 429 zurückgegeben.
Ali A.
Letzte Position:
Gründer & Architekt bei Independent AI R&D
- 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
Enrique G.
Letzte Position:
Security Architect bei Capgemini
Ich implementierte eine Zero-Trust-Architektur fuer robuste, militaertaugliche maritime Container-Mini-Rechenraeume auf Basis von VMware & Tanzu zur Unterstuetzung containerisierter GIS-Workloads fuer Bodentruppen. Der besondere Fokus lag auf der Absicherung der Kommunikation, dem Workload-Schutz und dem Datenzugriff in umkaempften elektronischen Gefechtsumgebungen, die durch Jamming, Abfangen, Signalmanipulation und staendig wechselnde Einsatzbedingungen beeinflusst werden. Ich habe Use Cases so entworfen und architektonisch umgesetzt, dass jedes Element von Workload, Identitaet und System auch in degradierten oder gestoerten Szenarien weiterhin unabhaengig und sicher funktionieren konnte. Parallel dazu definierte ich die Enterprise- und Solution-Security-Architektur mit LeanIX, Bizzdesign und HOPEX als Enterprise-Architecture-, Repository- und Governance-Plattformen, um Architekturinventar, Beziehungen, Nachverfolgbarkeit, Zielbilder und Security Governance in komplexen Umgebungen zu pflegen. Fuer die architektonischen Designs nutzte ich Sparx Enterprise Architect, um formale Architekturperspektiven, Schnittstellen, Vertrauensgrenzen und Systemarchitektur sowohl in IT- als auch OT-Umgebungen zu beschreiben. Das Tool IriusRisk wurde fuer das Threat Modeling der Loesung eingesetzt, um architekturgetriebene Risiken zu identifizieren, Sicherheitsanforderungen abzuleiten und Gegenmassnahmen sowie Designluecken direkt aus den Loesungsmodellen zu erkennen. Das Risiko- und Compliance-Management wurde mit Archer unterstuetzt. Architekturentscheidungen, Kontrollluecken und operative Risiken wurden in gesteuerte Governance- und auditierbare Compliance-Massnahmen ueberfuehrt. Fuer Dokumentation, Zusammenarbeit und visuelles Design nutzte ich Confluence zur Pflege von Architecture Decision Records, Security Blueprints und Workflows. Lucidchart und draw.io verwendete ich zur Erstellung stakeholdergerechter Design-Artefakte. Ich habe ausserdem OT-Sicherheitskonzepte mit Unterstuetzung von Elektro- und Maschinenbauingenieuren in den Bereichen Oel, Fahrzeug-Bordsysteme, Bahn, Kraftwerke, Pharma, Gasturbinen und Nukleartechnik definiert. Ich erstellte die End-to-End-OT-Sicherheitsstrategie, beginnend bei der globalen Policy, weiterentwickelt zu Standards und Verfahren und schliesslich korreliert mit Bell-LaPadula, Purdue Model, SABSA, TOGAF ADM, CENELEC 50701, IEC 62443 und NIST-Standards. Zudem arbeitete ich mit Engineering-Teamleads zusammen, um kritische KBP-Assets zu identifizieren und sie unter Schutzmassnahmen zu stellen, mit denen SCADA-, PLC- und HMI-Assets segmentiert wurden. Ich trieb die Zusammenarbeit zwischen Security-, IT- und OT-Teams voran, um standardisierte Workflows und Use Cases fuer den OT-Security-Loesungskatalog zu erstellen, waehrend Defense-in-Depth- und Zero-Trust-Prinzipien in operative Umgebungen integriert wurden. Entscheidend war die Integration multidisziplinaerer Engineering-, Security- und Operations-Akteure in eine einheitliche Security-Blueprinting-Strategie und die Sicherstellung, dass Architektur, Threat Modeling, Governance und Dokumentation technisch robust und operativ praktikabel waren.
Ariel L.
Letzte Position:
Sr. Principal Engineer bei Slalom
- Hatte direkte Linienverantwortung für ein Team von 4 Platform Engineers — inklusive Hiring, Performance Reviews und Karriereentwicklung — und habe dabei einen gemeinsamen Rahmen für Engineering-Standards sowie eine Coaching-Kultur aufgebaut, die die Delivery über Kundenprojekte hinweg beschleunigt hat.
- Habe ein Team von Engineers geführt, um ein cloud-natives Voice-AI-System für einen großen Inspektionskunden zu entwerfen. Damit konnten 2.500 Außendienst-Inspektoren ihre Arbeit komplett freihändig per Echtzeit-Transkription und AI Agents dokumentieren — manuelle Dateneingabe über 440.000 Inspektionen pro Monat wurde eliminiert und die Kosten pro Nutzer von 9 $ auf 1 $ gesenkt. Stack: AWS (DynamoDB, S3, Transcribe, CloudFront, API Gateway, Bedrock), ElevenLabs, Claude.
- Habe ein Team von Engineers geführt, um das Management von Kubernetes-Clustern über mehrere Regionen für einen globalen SaaS-Marktführer zu automatisieren. Dadurch sank die Bereitstellungszeit von 3 Wochen auf unter einen Tag und 90 % der Konfigurationsfehler wurden eliminiert. Stack: EKS, Terragrunt, Python, Bash, ArgoCD.
- Accelerator - Cloud-agnostische KI-Plattform: Ich habe eine cloud-agnostische, Kubernetes-native Plattform als Accelerator entworfen und ausgeliefert. Damit wurde das Multi-Tenant-Management von selbst gehosteten LLMs im Enterprise-Maßstab ermöglicht, inklusive gleichzeitiger Bereitstellung mehrerer Basismodelle und dynamischem Serving von LoRA-Adaptoren. Ich habe die Produktionsinfrastruktur mit Open-Source-Tools (ArgoCD, Karpenter, vLLM, SGLang) entworfen, inklusive automatisiertem Modell-Lifecycle-Management, API-Security (Keycloak + LiteLLM) und kostenoptimierter GPU-Bereitstellung.
Entdecke mehr als 15.000 Top-Freelancer
Statistiken von Experten, die OpenTelemetry-Experten einsetzen
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
17 Jahre

Positionsdauer
1,7 Jahre

Positionen pro Freelancer
13

Häufigste Fachbereiche
Informationstechnologie (IT), Produktentwicklung, Betrieb

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

Fokus der Zertifizierungen
Informationstechnologie (IT), Produktentwicklung, Projektmanagement
Bachelor-Abschluss oder höher
97%
Master-Abschluss oder höher
56%
Doktortitel
9%

Zertifizierungen pro Freelancer
4

Häufigste Sprachen
Deutsch, Englisch, Französisch

Sprechen zwei oder mehr Sprachen
98%
Basierend auf unserem Profilpool, Stand 19 Nov 2026.
Tagessatzverteilung
Das Diagramm zeigt, wie sich die Tagessätze der Experten in dieser Technologie in Deutschland 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 Deutschland, die OpenTelemetry-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 19 Nov 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Branchenfokus der OpenTelemetry-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%)
- Bank- und Finanzwesen (64%)
- Energie (40%)
- Automotive (38%)
- Bildung (38%)
- Einzelhandel (38%)
- Professionelle Dienstleistungen (33%)
- Gesundheitswesen (31%)
Bitte beachte, dass Freelancer in mehreren Branchen tätig sein können, daher überschneiden sich die Prozentwerte.
Über die Technologie
Was OpenTelemetry leistet
OpenTelemetry ist ein offener Standard und eine Sammlung von Tools zur Erfassung von Telemetriedaten aus Anwendungen und Infrastruktur. Es erzeugt Traces, Metriken und Logs in einem einheitlichen Format und sendet sie anschließend zur Analyse an ein Observability-Backend. Das Projekt ist aus OpenTracing und OpenCensus hervorgegangen und ist heute ein CNCF-Ökosystemprojekt.
Wo es eingesetzt wird
OpenTelemetry hilft Teams, Anfragepfade über Services hinweg zu verstehen, langsame Abhängigkeiten zu erkennen und das Verhalten von Anwendungen mit Infrastruktur-Signalen zu verbinden. Es eignet sich für Microservices, APIs, serverlose Workloads, mobile Backends und hybride Umgebungen.
- Transaktionen über verteilte Services hinweg verfolgen
- Anwendungs- und Infrastrukturmetriken erfassen
- Logs mit Trace- und Span-Identifikatoren korrelieren
- Kubernetes- und cloudnative Workloads überwachen
Ökosystem und Tools
Das Ökosystem umfasst Sprach-SDKs, den OpenTelemetry Collector, Bibliotheken für automatische Instrumentierung und Exporter. Spezialisten arbeiten mit Java, .NET, Go, Python, JavaScript und anderen unterstützten Sprachen sowie mit Backends wie Jaeger, Prometheus, Grafana, Elasticsearch und kommerziellen Observability-Produkten. Collector-Pipelines können Telemetriedaten empfangen, verarbeiten, samplen und weiterleiten.
Wann Unternehmen Spezialisten benötigen
Freiberufliche Expertise ist hilfreich, wenn eine Observability-Initiative viele Services abdecken muss, ohne eine uneinheitliche Instrumentierung zu schaffen. Unternehmen holen außerdem Spezialisten bei Plattformmigrationen, Produktionsvorfällen, Cloud-Transformationen oder der Einführung von Service-Level-Monitoring hinzu.
- Semantische Konventionen und Benennungsstandards definieren
- Collector-Receiver, Prozessoren und Exporter konfigurieren
- Sampling-Strategien für Workloads mit hohem Volumen auswählen
- Traces, Metriken und Logs in bestehenden Tools verbinden
Was erfahrene Fachkräfte liefern
Erfahrene Fachkräfte verstehen sowohl Anwendungscode als auch Betriebssysteme. Sie entwerfen nützliche Spans, vermeiden sensible Daten in Telemetriedaten, kontrollieren den Erfassungsaufwand und machen Signale für Teams nutzbar. Sie können die Abwägungen zwischen automatischer und manueller Instrumentierung erklären und Entscheidungen für die langfristige Wartung dokumentieren.
Zusammenarbeit in Deutschland
OpenTelemetry-Arbeit überschreitet häufig die Grenzen von Anwendungs-, Infrastruktur- und Sicherheitsteams, daher ist eine klare Dokumentation in Remote- und Vor-Ort-Settings wichtig. Spezialisten, die mit Unternehmen in Deutschland arbeiten, müssen sich möglicherweise an etablierte Cloud-Betriebsprozesse, Vorgaben zur Datenverarbeitung und interne Sprachanforderungen anpassen. Eine praktische Zusammenarbeit sollte unterstützte Services, Ziel-Backends, Zuständigkeiten und Erfolgskriterien festlegen, bevor die Instrumentierung beginnt.
Häufig gestellte Fragen
Vor der nächsten Projektanfrage: die häufigsten Fragen zu OpenTelemetry-Experten.
OpenTelemetry wird verwendet, um Traces, Metriken und Logs aus Anwendungen und Infrastruktur zu erfassen. Es hilft Teams, Anfragen über Services hinweg zu verfolgen, Fehler zu untersuchen, Latenzen zu messen und betriebliche Informationen in einem Observability-Backend zu verbinden.
OpenTelemetry vereint die wichtigsten Ideen und Communities von OpenTracing und OpenCensus unter einem umfassenderen Standard. Im Vergleich zur getrennten Nutzung eines der früheren Projekte bietet es einen gemeinsamen Ansatz für Instrumentierung, semantische Konventionen, SDKs und den Export von Telemetriedaten.
Ein guter OpenTelemetry-Spezialist versteht in der Regel verteilte Systeme, Kubernetes, Cloud-Netzwerke und CI/CD-Workflows. Erfahrung mit Prometheus, Grafana, Jaeger, Log-Pipelines und mindestens einer Anwendungssprache ist ebenfalls wertvoll.
Das passende Niveau hängt vom Umfang ab, nicht von einer festgelegten Dauer. Eine gezielte Aufgabe zur Instrumentierung eines Services erfordert möglicherweise weniger Planung, während eine Einführung über mehrere Services Erfahrung mit Collector-Design, Sampling, semantischen Konventionen, Backend-Integration und der Übergabe in den Betrieb voraussetzt.
OpenTelemetry-Projekte eignen sich häufig für die Remote-Zusammenarbeit, da Konfiguration, Instrumentierung und Tests über gemeinsame Repositories und Umgebungen abgewickelt werden können. Vor-Ort-Arbeit kann dennoch hilfreich sein, wenn Spezialisten eng mit deutschen Anwendungs-, Infrastruktur- oder Sicherheitsteams zusammenarbeiten müssen.
Vor der Beauftragung eines OpenTelemetry-Freelancers sollten Sie die Services im Umfang, die aktuellen Monitoring-Tools, das Ziel-Backend, das Bereitstellungsmodell und Vorgaben zur Datenverarbeitung klären. Außerdem hilft es, festzulegen, wer für die Instrumentierung, den Collector-Betrieb sowie die laufende Pflege von Dashboards und Alerts verantwortlich ist.
Achten Sie auf OpenTelemetry-Designs, die nützliche Signale erzeugen, ohne ein übermäßiges Volumen oder die Offenlegung sensibler Daten zu verursachen. Fragen Sie, wie der Spezialist Context Propagation, Sampling, Benennung, Wiederholungsversuche, die Ausfallsicherheit des Collectors und die Validierung von Telemetriedaten in realen Fehlerszenarien handhabt.
Ein häufiger OpenTelemetry-Fehler besteht darin, die automatische Instrumentierung zu aktivieren, ohne festzulegen, welche Signale Teams tatsächlich benötigen. Weitere Probleme sind uneinheitliche Attribute, fehlende Context Propagation, schlecht geplantes Sampling, nicht verwaltete Collector-Kapazitäten und Dashboards, die keine klaren betrieblichen Entscheidungen unterstützen.
Der durchschnittliche Stundensatz von Freelancern in Deutschland, die OpenTelemetry in ihren letzten Projekten eingesetzt haben, liegt bei 96 €, was einem Tagessatz von etwa 769 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern in Deutschland, die OpenTelemetry in ihren letzten Projekten eingesetzt haben, haben 97% mindestens einen Bachelor-Abschluss, 56% mindestens einen Master-Abschluss und 9% einen Doktortitel.
Freelancer in Deutschland, die OpenTelemetry in ihren letzten Projekten eingesetzt haben, haben im Durchschnitt 17 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 1,7 Jahre.
Die häufigsten Sprachen unter Freelancern in Deutschland, die OpenTelemetry in ihren letzten Projekten eingesetzt haben, sind Deutsch (98%), Englisch (98%) und Französisch (10%).
Die häufigsten Industrien unter Freelancern in Deutschland, die OpenTelemetry in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (100%), Bank- und Finanzwesen (64%) und Energie (40%).
Die häufigsten Bereiche unter Freelancern in Deutschland, die OpenTelemetry in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (100%), Produktentwicklung (88%) und Betrieb (60%).
Hauptstandorte der FRATCH Experten, die kürzlich OpenTelemetry-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