Optical Character Recognition Experten

• Entwicklung eines Pilot-Systems zur Steuerung und Überwachung mehrerer GoPro-Kameras
• Umsetzung von Start-, Stop-, Status-, Medien-, Download- und Diagnosefunktionen über COHN-Endpoints
• Realisierung von Kameraerkennung, Einzel- und Gruppensteuerung sowie stabiler Session-/KeepAlive-Logik
• Aufbau einer Download-Pipeline mit Queue, Retry-Handling und temporären Dateien
• Konsistente Session-, Ordner- und Dateibenennung für Mehrkamera-Aufnahmen
• Integration von Provisionierung, Zertifikaten und Netzwerkbetrieb

Leitung der durchgängigen Integrations- und Migrationsarchitektur für die Stilllegung der SAP-IS-U-Marktkommunikation und den Übergang zu Salesforce Marketing Cloud (SFMC) mit E.ON IT Services — einschließlich regulierter EDIFACT-Marktnachrichten, einer dreiphasigen Datenmigration (Übernahme Marktnachrichtenbestand nach Cutover), der Neugestaltung der Marktkommunikationsprozesse sowie der vollständigen Einhaltung der DSGVO und der deutschen Energiemarktanforderungen.

• Entwicklung der dreistufigen Zielarchitektur (SAP IS-U → NScale B2B gateway → SFMC) zur Verarbeitung von 50.000–100.000 EDIFACT-Nachrichten täglich innerhalb von SLAs unter 5 Minuten.
• Konzeption der dreiphasigen Datenmigration: 36 Monate historische Daten, verlustfreier Cutover laufender Marktnachrichten und nahezu Echtzeit-CDC-Synchronisierung.
• Umsetzung einer sicheren, BDEW-/DSGVO-konformen Integration (AS2/OFTP2, RFC/IDoc, REST APIs, OAuth 2.0, Azure AD, AWS S3) mit >99.5% Verfügbarkeit, <0.1% Migrationsabweichung und RTO <4 Stunden.
• Einsatz von BPMN zur Modellierung und Optimierung der Marktkommunikationsprozesse.

Technologien: SAP IS-U, NScale, Salesforce Marketing Cloud, EDIFACT, OAuth 2.0, Azure AD, AWS S3, BPMN, Jira, Confluence, Draw.io

• Konzeption und Entwicklung einer produktionsreifen Data Platform auf Basis von Microsoft Fabric für ein E Commerce Unternehmen
• Aufbau einer skalierbaren Medallion Architektur (Bronze, Silver, Gold) mit Lakehouse und Delta Lake als Grundlage für Analytics und AI Anwendungen
• Entwicklung einer metadata driven ETL Plattform mit PySpark sowie eines generischen Incremental Loading Frameworks (SQL Server → Bronze → Silver → Gold)
• Entwicklung wiederverwendbarer Komponenten für Microsoft Fabric Notebooks zur Standardisierung von Datenintegration, Transformation und Validierung
• Implementierung automatisierter Data Pipelines inklusive Monitoring, Logging, Fehlerbehandlung und Delta MERGE Strategien für einen stabilen produktiven Betrieb
• Aufbau einer Business Layer Architektur für Reporting, Data Warehouse und wiederverwendbare Datenprodukte
• Integration heterogener Datenquellen über SQL Server, REST APIs, Amazon SP API und Google Analytics 4
• Enge Zusammenarbeit mit Fachbereichen zur Analyse fachlicher Anforderungen und Übersetzung in skalierbare Datenarchitekturen

Technologien: Microsoft Fabric, PySpark, Python, SQL Server, Delta Lake, Lakehouse, OneLake, Data Factory, Data Warehouse, REST APIs, Amazon SP-API, Google Analytics 4

• Ziel/Motivation: PAYONE benötigt dringend eine 360°-Sicht auf seine Kunden. Bisher hat PAYONE keine übergreifende Stammdatenstrategie. Es ist nicht möglich, Kunden über alle relevanten Systeme hinweg zu identifizieren.

Die Organisation soll in die Lage versetzt werden, Kunden über alle relevanten Systeme hinweg zu identifizieren. Ziel ist es, die Grundlage für das Stammdatenmanagement bei PAYONE zu schaffen.

• Herausforderung: Aufgrund von Unternehmenszukäufen ist die Systemlandschaft sehr heterogen. Das Unternehmen ist sehr dynamisch und durch zahlreiche Systemharmonisierungs- und Integrationsprojekte stark ausgelastet. Dadurch führen Ressourcenengpässe und wechselnde Projektprioritäten immer wieder zu einer nahezu unlösbaren Aufgabe.

Aufgrund von BaFin-Feststellungen hat das Projekt eine zentrale Aufgabe und Rolle. Im ersten Schritt steht die Migration aller Kundendaten aus den stammdatenführenden Backend-Systemen mit ihren AML/KYC-Daten nach Salesforce im Fokus. Dadurch soll eines der größten Findings behoben und die entsprechenden ODD/EDD-Prozesse etabliert werden.

Darüber hinaus müssen die Kundendaten in Salesforce harmonisiert werden. Bei früheren Migrationen wurden Kunden teilweise mehrfach angelegt. Am Ende soll daher jeder Kunde nur noch einmal in Salesforce geführt werden. Anhand der entsprechenden Informationen aus den Backend-Systemen soll außerdem erkennbar sein, welche Produkte der Kunde nutzt und über welche Processing-Systeme er seine Dienstleistungen von Payone bezieht.

Projekt: ONE Customer

Budget: 1,5 Mio. €

Team: 10/30 Mitarbeiter (Vollzeit/Teilzeit); 4 Vendoren/Provider

Integration: 8 (Subsystem/Schnittstellen)

Anwendungen: Salesforce; SAP S4/HANA; Eigenentwicklungen

Tools: MS Office; Jira, Confluence, Sharepoint

Methoden: Hands-on; Agile (SAFe); Prince2

• Ich begleite mittelständische Mandanten bei ihren Fördermittelbedarfe.
• Ich evaluiere operative Geschäftsprozesse und übersetze komplexe gesetzliche und regulatorische Vorgaben in fachliche Anforderungen, Zielbilder und umsetzbare Roadmap-Epics.
• Ich setze gezielt Generative KI-Werkzeuge und Automatisierungen ein, um Anforderungsdokumentationen, Prozessanalysen, Auswertungen, Gesprächsvorbereitungen, Kundenanalysen und Entscheidungsvorlagen effizient zu erstellen.

• Machine Learning, BI und Big Data für Master-Studierende unterrichtet.

Technologien: Python, Power BI, SQL, ML, SnowflakeDB, databricks, MS Fabric, MongoDB, LLM

KI-gestützte Dokumentenverarbeitung und Warenwirtschaftsintegration

Konzeption und Entwicklung einer KI-gestützten Anwendung zur automatisierten Verarbeitung von Liefer- und Rechnungsdokumenten mit Anbindung an SelectLine ERP. Dokumente werden per KI analysiert, mit Bestellungen und Positionen abgeglichen und für die Buchung von Wareneingängen vorbereitet.

WIRKUNG:

• Automatisierte Extraktion strukturierter Bestell-, Liefer- und Rechnungsdaten aus PDF- und Bilddokumenten
• Automatisches und manuelles Mapping von Dokumenten auf Bestellungen und Bestellpositionen
• Integration mit SelectLine ERP für Bestellimport, Statusabgleich und Wareneingangsbuchungen
• Nachvollziehbare Verarbeitung durch getrennte Analyse-, Mapping- und Buchungsprozesse sowie technisches Logging
• Aufbau einer containerisierten End-to-End-Architektur mit KI-Analyse, Workflow-Automatisierung und relationaler Datenhaltung

SCHLAG-WORTE: KI, Dokumentenanalyse, OpenAI, n8n, SelectLine ERP, FastAPI, Python, JavaScript, MariaDB, Docker, REST API, PDF, OCR, Mapping, Warenwirtschaft, Wareneingang, Workflow Automation

Das Programm dient der umfassenden Neuausrichtung der deutschen Consumer Panel Services. Es verbindet einen erheblichen Panelboost mit der Neuverarbeitung historischer Datenbestände und der Integration neuer Receipt-Daten. Durch die deutliche Vergrößerung und Stabilisierung des Panels unter Einbindung externer Partner soll die Aussagekraft der Datenbasis verbessert und eine belastbare Grundlage für Methodologie, Gewichtung und Kundenreporting geschaffen werden. Parallel werden historisch gewachsene Prozesse für Datenlieferung, OCR, Matching, Item QC, Methodologie und Reporting harmonisiert, technologisch weiterentwickelt und organisatorisch neu ausgerichtet. Ziel ist eine skalierbare End-to-End-Landschaft mit höherer Datenqualität, klaren Verantwortlichkeiten, belastbarer Governance und nachhaltig steuerbaren Betriebsprozessen.

• Gesamtsteuerung des Restatement-Programms einschließlich der integrierten Roadmap sowie der Meilensteine, Abhängigkeiten, Risiken und Managemententscheidungen.
• Koordination des Panelboosts sowie Abstimmung der erforderlichen Datenlieferungen, Qualitätsanforderungen und Voraussetzungen für Methodologie, Gewichtung und Reporting.
• Ausrichtung von Business, Product, Data Science, Technology, Operations und externen Partnern auf ein gemeinsames Zielbild, abgestimmte Prioritäten und ein integriertes Vorgehen.
• Gestaltung des Organizational Change, der durch die grundlegende Neuausrichtung von Datenbasis, Methodologie und Steuerungslogik ausgelöst wird und etablierte Entscheidungs- und Zusammenarbeitsmuster nachhaltig beeinflusst.
• Aufbau und Weiterentwicklung von Governance-, Reporting- und Eskalationsstrukturen sowie von programmweiten Monitoring- und Betriebsprozessen für eine belastbare Steuerung und nachhaltige Übergabe.
• Steuerung kritischer Daten-, Technologie- und Providerabhängigkeiten einschließlich Reprocessing, OCR-Transition und der zeitlichen Synchronisation von Delivery, Testing, Methodologie und Reporting.
• Orchestrierung der internationalen Zusammenarbeit mit Teams und Stakeholdern in Deutschland, dem Vereinigten Königreich, Portugal und Rumänien sowie mit externen Lieferanten in Deutschland und Österreich.

Impact Areas und Expertise: Program & Delivery Leadership, Business & Technology Alignment, Organization & Transformation, Governance & Sustainable Operations, Strategy & Target, Methodic Leadership, Transformation & Change Leadership, Executive Advisory

• Verantwortung für RAG-, LLM-System- und ML-ops-Pipelines für verschiedene Start-ups in den Bereichen Versicherung, Banking und Energie (KRITIS)

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.

• In diesem Projekt wurden Informationsdaten extrahiert, um das Verfassen von Berichten für ein Unternehmen zu unterstützen, das geopolitische, globale und kommerzielle Informationen bereitstellt. Die Daten wurden aus verschiedenen Quellen gesammelt (Interviewtranskripte, Online-Daten, interne Dokumente) und anschließend zu einer Wissensbasis zusammengeführt. Diese bildete die Grundlage für ein komplexes RAG-System, das anhand eines Golden Dataset evaluiert wurde. Agenten wurden eingesetzt, um widersprüchliche Informationen und sich gegenseitig bestätigende Aussagen zu finden sowie das generierte Wissen wieder zu speichern.

Verwendet: Python, RAG, LangGraph, LangChain, deepeval, MCP

• Führung einer 16-köpfigen Finance- und Accounting-Organisation während einer Restrukturierungsphase; Stärkung von Closing-Disziplin, Financial Control, Cash-Transparenz und Verantwortlichkeit.
• Unterstützung von Kostenprogrammen mit ca. €2 Mio. jährlicher Einsparung; Aufbau regelmäßiger KPI-Reviews für P&L, Working Capital, POC und Cash-Themen.
• Verantwortung für Monats-, Quartals- und Jahresabschlüsse nach HGB/IFRS, Management-/Group Reporting, Audit, Tax und GoBD-Compliance.
• Finance-Automatisierung mit klarem Business-Nutzen: 13-Wochen-Liquiditätsplanung, Cashflow-Reporting, P&L gegen Plan, Abweichungsanalysen und Bankabgleich; manueller Aufwand um 40–60 % reduziert.
• Weiterentwicklung der Kreditorenprozesse durch OCR-gestützte Rechnungsverarbeitung und Drei-Wege-Abgleich mit Ausnahmebehandlung.
• Sparringspartnerin der Geschäftsleitung bei Restrukturierung, Liquidität, Working Capital, Risiken und Prozessvereinfachung.

• Interim PO für eine als DiGA gelistete digitale Therapieplattform. Verantwortlich für eine regelkonforme Produktentwicklung in einer stark regulierten SaMD-Umgebung (BfArM, BSI) bei gleichbleibendem Entwicklungstempo.
• Herausforderung: Regulatorische Komplexität in Verbindung mit Verantwortung für die praktische Umsetzung und nur einer Woche Einarbeitungszeit.
• Wirkung: KI-gestützte Workflows für die Produktentwicklung mit klaren Qualitätsstandards eingeführt und regelmäßige kurze Release-Zyklen für eine schnellere und präzisere Auslieferung wieder etabliert. Derzeit optimiere ich die Workflows der Produktentwicklung und reduziere KI-generierten Ballast in Tickets und Dokumentation.
• Einen OCR-basierten Workflow in Langdock eingeführt, der die Erstellung von Therapieplänen aus Rezeptbildern automatisiert.

• Konzeption und Entwicklung einer Multi-Tenant-SaaS-Plattform, mit der Unternehmen ihre eigenen Wissensdatenbanken aufbauen und mit individuell gebrandeten KI-Assistenten chatten können (White-Label-Ansatz mit dynamischem Branding pro Organisation).
• Implementierung einer skalierbaren RAG-Architektur mit einer GPT-4o-Tool-Use-Loop, hybrider semantischer Suche und strikter Mandantentrennung auf Datenbank- und Suchindex-Ebene.
• Aufbau persistenter, projektähnlicher Chat-Sessions inklusive Streaming-API (SSE), mehrsprachiger Unterstützung sowie Sprach-Ein- und Ausgabe (STT/TTS).
• Bereitstellung der Cloud-Infrastruktur als Infrastructure-as-Code, vollständig automatisierte CI/CD-Pipelines pro Kunde und ein Onboarding-Prozess für neue Mandanten.

Verwendete Technologien: Python, FastAPI, Pydantic (v2 noted), Next.js, React, TypeScript, Tailwind CSS, OpenAI / LLMs (GPT-4o), Azure AI Search, Cosmos DB, Azure Blob Storage, Azure Cognitive Services Speech, Azure App Service, Azure Container Registry, Retrieval-Augmented Generation (RAG), Server-Sent Events (SSE), Docker, Terraform, GitHub Actions, REST, OpenID Connect (OIDC), Multi-Tenancy