Optical Character Recognition Experten in Deutschland

• Generative KI-Produkte für Unternehmenskunden, von der Strategie über die Spezifikation bis zur Produktion end-to-end verantwortet.
• Zentrale Strategie, lokale Konfiguration: mandantenfähiger KI-Assistent für die betriebliche Altersversorgung (bAV), als interaktiver Avatar mit Text- und Sprachpfad umgesetzt. Drei Mandanten laufen auf einer Codebasis, jeweils mit eigenem Gesprächsleitfaden, während Wissensbasis, Schutzmechanismen und Eskalationspfade zentral bleiben
• Versionierte, KI-fähige Wissensbasis, die in einen mandantenunabhängigen Sprachkontext und mandantenspezifische Text-Prompts eingebunden wird — die Konfigurationsebene, die lokale Anpassungen ermöglicht, ohne das Produkt aufzuspalten
• Konversationsdesign: Antwortgrenzen, Umfang und Umgang mit themenfremden Fragen, Regeln gegen Halluzinationen, Eskalation und Übergabe von Leads an menschliche Berater
• Fünf Eval-Suites als Qualitätstor vor jeder Änderung an Prompt oder Modell (Anti-Halluzination, Fehlermuster des LLM-as-a-judge, Konsistenz über mehrere Gesprächsrunden, Sprach-KPIs, Aktionsvokabular mit Konfusionsmatrix); ein Nutzertest mit 10 Testern (Hamburg, 07/2026) führte zur Überarbeitung von Alpha zu Beta
• Externe Entwickler, Compliance und Kunden-Stakeholder koordiniert; DSGVO-konformer EU-Stack, IDD-konform, Klassifizierung nach EU AI Act dokumentiert
• Zweite Produktlinie: White-Label-Social-Media-Generator für die Beratung chilli mind (CH/DE) — eine Codebasis, kundenindividuelles Branding und Konfiguration
• Ergebnisse: mehr als 239 Deployments und ein Pilot mit Unternehmenskunden · mehr als 108 Deployments für das White-Label-Produkt · wiederverwendbares Muster für mandantenfähige KI-Produkte in einem regulierten Umfeld

• 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.

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

• 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

• Ziel/Motivation: Die PAYONE benötigt dringend eine 360°-Sicht auf seine Kunden. PAYONE hat bisher 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 zu identifizieren. Schaffung der Grundlage für das Stammdatenmanagement in PAYONE

• Herausforderung: Aufgrund von Unternehmenszukäufen ist die Systemlandschaft sehr heterogen. Das Unternehmen ist sehr dynamisch und mit vielen Systemharmonisierungs- und Integrationsprojekten belastet, so dass Ressourcenengpässe und Wechsel in Projektprioritäten immer wieder eine fast unlösbare Aufgabe sind.

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

Darüber hinaus müssen in Salesforce die Kundendaten harmonisiert werden. Aus früheren Migrationen erfolgte in Teilen eine Mehrfachanlage von Kunden. So soll am Ende nur noch ein Kunde in Salesforce geführt und mit entsprechenden Informationen aus dem Backend Systemen auch erkannt werden können, welche Produkte und in welchen Processing Systemen der Kunde seine Dienstleistungen der 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

• 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

• ▶ Echtzeit-Sprachassistenten entwickelt (STT → LLM → TTS-Pipeline), mehrere STT-Anbieter einschließlich faster-whisper und Azure Speech getestet und bewertet. Latenz von unter 3 Sekunden erreicht, Groq API (Llama 3) mit Multi-Turn-Speicher eingesetzt – einschließlich direkter Behandlung von Sonderfällen bei Diktaten sowie der Erkennung von Namen und Zugangscodes.

• Selbstständig · Berlin, Deutschland
• Mitgründung des Unternehmens und vollständige Verantwortung für den technischen Bereich: Produktarchitektur, Backend, Frontend, Infrastruktur und Betrieb.
• Konzeption und Entwicklung des Automated Booking System (ABS) sowie der Kernplattform und Zahlungslogik.
• Entwicklung KI-gestützter SaaS-Produkte – von der Architektur über Backend und Frontend bis zum Produktionsbetrieb.
• Technische Beratung zu Produktarchitektur, Datenschutz und zulässiger Automatisierung.
• Entwicklung, Betrieb und Monetarisierung eigener API-Produkte für KI-Agenten, jeweils als REST-Schnittstelle und MCP-Server verfügbar.
• Vollständige Verantwortung für Architektur, Infrastruktur, Abrechnung, Rechtstexte und Go-to-Market.

Manufacturing-Intelligence-Plattform mit Enterprise-Workflows, RAG, Echtzeit-Funktionen für AI-Assistenten und Backend-Architektur über mehrere Repositories.

• Entwickelte und erweiterte produktive AI-/Backend-Services mit Django, DRF, FastAPI, GraphQL, Celery, PostgreSQL, MySQL, Redis und WebSockets über eine modulare Plattform mit mehreren Repositories.
• Mitgewirkt an ARIS V2, einem Echtzeit-AI-Assistenten für die Fertigung mit LangChain, LangGraph, MCP-Tool-Orchestrierung, Planungs-/Ausführungs-Workflows, OpenAI, AWS Bedrock, Qdrant sowie Retrieval auf Basis von Elasticsearch/OpenSearch.
• Unterstützte die Rollout-Erweiterung von ARIS V1 in 4 von 17 Kunden-Produktionswerken auf ARIS V2, das aktuell in 13 von 17 Werken aktiv ist, und steigerte so die reale Abdeckung auf mehr als 50 % der Kundenumgebung.
• Arbeitete an dokumentengestützter RAG-Funktionalität inklusive Ingestion, OCR, Chunking, Embeddings, Indexing, Retrieval, Reranking und geerdeter Antwortgenerierung für industrielle Workflows.

Stack: Python, Django, DRF, FastAPI, LangChain, LangGraph, GraphQL, Celery, WebSockets, OpenAI, AWS Bedrock, Qdrant, Elasticsearch/OpenSearch, PostgreSQL, MySQL, Redis, Docker.

• Entwickelte KI-gestützte Dokumentenverarbeitungslösungen mit Python, OCR, NLP und Large Language Models (LLMs), um die Extraktion, Validierung und Klassifizierung von Finanzdokumenten zu automatisieren und die Verarbeitungszeit um 75 % zu senken.
• Baute intelligente mehrstufige Workflow-Automatisierungspipelines, die KI-Services, Machine-Learning-Modelle und Unternehmenssysteme integrieren, um Finanzprozesse zu verschlanken und die Datenqualität zu verbessern.
• Entwickelte wiederverwendbare KI-gestützte Transformationsframeworks, die strukturierte und unstrukturierte Dokumentformate (XML, CSV, JSON, TXT, DAT) verarbeiten und in einheitliche Business-Schemata normalisieren können.
• Konzipierte und entwickelte Python-basierte REST-APIs und Backend-Services zur Unterstützung von Finanzanwendungen im Unternehmen und von Data-Processing-Workloads mit hohem Volumen.
• Entwickelte skalierbare Daten-Synchronisationspipelines zwischen Oracle CFIN und SQL-Datenbanken und integrierte Machine-Learning-Modelle für Cashflow-Prognosen sowie die Erkennung von Anomalien in AP/AR.
• Architektierte und implementierte Apache-Airflow-Workflows zur Orchestrierung KI-gestützter Datenpipelines und automatisierte den kompletten Ablauf von der Dokumentenaufnahme bis zur Integration in Finanzsysteme.
• Leitete die Migration kritischer Unternehmensintegrationen von MuleSoft zu Python-basierten Services und verbesserte dadurch Wartbarkeit, Performance und betriebliche Flexibilität bei gleichzeitig vollständiger Datenintegrität.
• Verantwortete den gesamten API-Lebenszyklus, einschließlich Lösungsdesign, Implementierung, Dokumentation, Deployment, Monitoring und Produktionssupport für geschäftskritische Finanzsysteme.
• Arbeitete direkt mit Stakeholdern aus dem Finanzbereich zusammen, um geschäftliche Herausforderungen zu identifizieren, Lösungsanforderungen zu definieren und durch Automatisierung und KI-gestützte Workflows messbare Verbesserungen zu erzielen.
• Arbeitete eng mit funktionsübergreifenden Engineering- und Business-Teams zusammen, um Features schnell weiterzuentwickeln, Prozesse zu verbessern und die erfolgreiche Einführung KI-gestützter Lösungen voranzutreiben.
• Übernahm technische Führung durch Architektur-Reviews, Technologieentscheidungen, Code-Reviews und Best Practices im Engineering für Integrations- und Automatisierungsinitiativen.
• Mentorierte Entwickler, definierte Coding-Standards und trug zur Verbesserung von Softwarequalität, Wartbarkeit und Lieferfähigkeit über mehrere Projekte hinweg bei.
• Leistete Produktionssupport während kritischer Monats- und Quartalsabschlüsse, führte Root-Cause-Analysen durch und setzte schnelle Fixes um, um Systemzuverlässigkeit und Datenkorrektheit sicherzustellen.

• Von Experten betreute KI-Systeme für wissenschaftliches Schlussfolgern, Modellevaluation und Forschungs-Workflows.
• Entwickelte den IAS Problem Solver, ein orchestriertes System für schwieriges mathematisches Schlussfolgern; es erreichte 84 % in einem eingereichten Antwortsatz auf dem Leipziger Mathematik-Benchmark.
• Entwickelte eine fortsetzbare State-Machine-Pipeline für die Generierung von Benchmarks in der Forschungsmathematik: Quellenauswahl, LLM-Agent-basierte Phänomenfindung, Aufgabensynthese, Gold-Antwort- und Zertifikatsgenerierung sowie Validierung, Probe, Reparatur, menschliches Feedback und Quality Gates, mit Fokus auf Aufgaben, die schwierig, natürlich, verifizierbar und kosteneffizient sind.
• Die aktuelle Arbeit erweitert dies zu budgetbewussten KI-Forschungs-Workflows für reale wissenschaftliche Probleme mit Expertenprüfung.

Tech-Stack: Python, OpenAI/OpenRouter-kompatible APIs, Embeddings, RAG, SQLite.