Plotly Dash Experten in Deutschland

Architektur und Betrieb von Data Products für den Betrieb im Bereich erneuerbare Energien, einschließlich Windturbinen-, Netz-Mess- und Wetterdaten. Aufbau skalierbarer ETL/ELT-Pipelines in Azure Databricks mit Delta Lake (Bronze/Silver/Gold-Schichten) und Verarbeitung von Daten in verschiedenen Formaten, darunter strukturierte und semi-strukturierte Daten. Mitwirkung an einem Data-Quality-Framework mit Tabellen- und Spaltendokumentation, Ausreißererkennung und Vollständigkeitsmetriken für alle Datensätze innerhalb eines Data Products. Zusätzlich Implementierung eines DORA-KPI-Dashboards in Databricks, das für alle Data Products genutzt wird. Optimierung der CI/CD-Prozesse in Azure DevOps zur Vereinfachung der Bereitstellung über Entwicklungs-, Test- und Produktionsumgebungen hinweg.

Technology stack: Azure Databricks, PySpark, SQL, Delta Lake, Unity Catalog, Azure Data Lake, APIs, Dremio, Azure DevOps, YAML, Git, Databricks Workflows, Application Insights, Terraform, OpenAI API, Codex, LLM-assisted workflows

• Aufbau einer AI & Data Consultancy Practice mit dem Ziel, europäische Unternehmen bei der Adoption von Artificial Intelligence und modernen Datenplattformen zu unterstützen
• End-2-End Weiterentwicklung eines Produktivsystems unter Einsatz von modifizierten Coding-Agenten (OpenCode). Techstack: Kubernetes, Argo, Keycloak, Typescript, Grafana, GitOps, DevOps, Playwright
• Internes Forschungsprojekt zum Einsatz Coding Agenten im Bereich mathematischer Logik für das Erstellen von formalen Modellen. Einsatz von Cursor IDE und Codex, Codex CLI. Architektur-Entwurf, Qualitätskontrolle und Refactoring, sowie das Schreiben von Code und Tests. Repository (open source) in Pre-launch verfügbar
• Forschung zur Rolle von mathematischer Logik als formale Sprache, die IT und KI mit Unternehmensprozessen verbindet.
• Projektleiter für das Erheben und Ausspielen von Abstellempfehlungen für Schienenfahrzeuge mit erheblichem Einsparpotential auf Basis von Echtzeitdaten in einem Mobilitäts- und Verkehrskonzern
• Projektleiter für das Erheben und Verteilen von Prozess-Meßpunkten in der Bereitstellung für Echtzeitsteuerung in einem Mobilitäts- und Verkehrskonzern
• Stellvertretender Anwendungsverantwortlicher für eine App zur Kommunikation in der Zuführung und Bereitstellung von Schienenfahrzeugen

• Deutsch und Mathematik für Kinder im Alter von 4 bis 16 Jahren unterrichtet sowie bei Hausaufgaben und im Nachhilfeunterricht unterstützt
• Startups bei UX, MVP-Entwicklung und der Lean-Startup-Methode unterstützt
• Beim Branding, der Kommunikation und dem Design mitgeholfen, um die Marktpräsenz zu stärken
• Website und Venture-Lab-App gepflegt; Veranstaltungen koordiniert und durchgeführt
• Präsentationen entwickelt, um die interne und externe Kommunikation zu unterstützen

End-to-End-Verantwortung für alle Produkte – Konzeption, Architektur, Entwicklung und Produktivbetrieb als alleiniger Entwickler; daneben Kundengespräche, Angebote und Marketing.

Underwriting Copilot – KI-Assistent für die Industrieversicherung (produktiv im Kundeneinsatz)

• Unterstützt Underwriter bei der Analyse industrieller Versicherungs-Submissions – im Produktivbetrieb bei einem Industrieversicherer.
• Framework-unabhängige RAG-Architektur mit Hybrid Search (BM25 + pgvector) über große, heterogene Dokumentbestände.
• Zweistufige Evaluations- und Observability-Pipeline (Code-Assertions + LLM-as-Judge), die Antwortqualität, Retrieval-Genauigkeit und Citation-Integrität regressionssicher messbar macht.

Kaiki Menu Analyzer – Data-Intelligence-Plattform (produktiv im Kundeneinsatz)

• Erfasst und analysiert automatisiert Speisedaten aus rund 25.000 deutschen Restaurants.
• Skalierbare 7-Container-Architektur (FastAPI, partitioniertes PostgreSQL, Redis/RQ) mit LLM-gestützter Extraktion strukturierter Daten aus PDF, HTML und Bildern.
• Vollständige CI/CD-Pipelines (GitHub Actions), produktives Cloud-Deployment, interaktive Dashboards (Dash).

Kaiki GEO Atlas – GEO-Plattform (produktiv im Kundeneinsatz)

• Misst die Marken-Sichtbarkeit über fünf KI-Engines (ChatGPT, Gemini, Perplexity, Grok, Claude), jede web-search-augmentiert, orchestriert als DAG-Workflow-Pipeline (Dispatcher → Sub-Workflows → Scoring → Report) mit Fail-Isolation.
• 6-Container-Deployment (FastAPI, Celery, Redis, PostgreSQL); LLM-Kostenschätzung, PDF-Audit-Report, regelbasierte Cross-Signal-Insights (kein zusätzlicher LLM-Aufwand).

Data Pipeline & Analytics Platform – Wettbewerbsanalyse im Automotive-Aftermarket

• Automatisierte Daten-Pipeline mit Gap-Analyse-Algorithmen und rollenbasierter Zugriffskontrolle; 230+ Tests.
• Backend mit FastAPI, PostgreSQL, SQLAlchemy.

Produktentwicklung (in aktiver Entwicklung)

BankingGPT – KI-Assistent für das Beschwerdemanagement im Genossenschaftsbanking

• Sicherheitsarchitektur im Kern: kein KI-Entwurf erreicht den Kunden ohne menschliche Freigabe – die Freigabe-Entscheidung liegt in auditierbarem Code, nicht im Sprachmodell (monoton: das Modell darf hochstufen, nie senken).
• Echte agentische Bausteine, jeder mit eigener Grenze: das Modell wählt selbst Werkzeuge über einen MCP-Server (nur-lesend, Allowlist, gedeckelt, fail-safe); heikle Fälle gehen per offenem A2A-Protokoll (JSON-RPC, Agent Card, message/send/tasks/get; Client selbst implementiert) an einen eigenständigen Fach-Agenten (Wertpapier/Recht), der die Prüfpflicht nie senkt (per Test gepinnt).
• Evaluations-getrieben über zehn Analyse-Runden; deckte per unabhängigem Review und Blind-Tests einen Sicherheitsdefekt auf, den neun automatisierte Läufe übersehen hatten.
• Voice-AI-Frontend, live antwortend: gedeckte Fälle werden im Gespräch beantwortet, heikle eskalieren vor der Generierung; Antwortlatenz < 7 s gemessen (lokale GPU-STT/TTS).

Stack & Produktionsnähe: Python, pydantic-ai, FastAPI/Celery, PostgreSQL/pgvector, FastMCP, fasta2a, Docker; mehrmandantenfähig (physische Vektor-Isolation je Mandant), PII verschlüsselt, OWASP-LLM-reviewt, 275 Tests, CI/CD; anbieter-portabel (Ollama / EU-Cloud-Vertex).

After-Sales Assistant – agentischer RAG-/GraphRAG-Assistent auf öffentlichen OEM-Handbüchern (Automotive After-Sales)

• Genuin agentisch auf LangGraph: ReAct-Agent mit vier Werkzeugen und Gesprächsge-dächtnis – das Modell entscheidet selbst, ob es das Handbuch (RAG, Chroma), einen Wissensgraphen (GraphRAG, Neo4j/Cypher – Warnleuchten dekodieren) oder einen Werkstatt-/Buchungsdienst anspricht.
• Human-in-the-Loop vor der irreversiblen Aktion: vor jeder Terminbuchung pausiert der Graph (interrupt) und holt die ausdrückliche Bestätigung des Fahrers – dieselbe Freigabe-vor-Aktion-Disziplin wie in BankingGPT, in einem anderen Framework.
• Eval als CI-Gate: dreiteiliges Scorecard (RAGAS-Grounding + deterministische Tool-Routing-Genauigkeit + DeepEval-Safety: führt die Antwort bei kritischer Warnung zuerst die Warnung an?) blockt die Pipeline; provider-agnostisch (OpenAI/Azure/Anthropic), FastAPI mit Token-Streaming.

Stack: Python, LangChain/LangGraph, Chroma, Neo4j, RAGAS/DeepEval, FastAPI, Docker.

• Ich habe als Schnittstelle zwischen Business und Engineering für Großkunden aus dem Finanzbereich gearbeitet und Data Products sowie Cloud-Pipelines in Python, SQL Server, SAP Datasphere und Tagetik entworfen.
• Ich habe einen universellen Python/FastAPI-Connector entwickelt und als Container bereitgestellt, der SAP S/4HANA und weitere SQL-/NoSQL-Quellen mit Tagetik synchronisiert. Eingesetzt in Google Cloud Run und Microsoft Azure, verringerte er die kritische 90-minütige Datenladezeit auf etwa 80 Sekunden (65× schneller).
• Ich habe ein Medallion-Layer Data Warehouse auf SQL Server entworfen, das rund 500 GB/Tag aus 11 ERP-Systemen einliest. Die täglichen Aktualisierungen laufen automatisiert (Vollständige Ladung in unter 6 Minuten) und entlasten 20–30 Finanzmitarbeitende um Tage manueller Datenkonsolidierung.
• Ich habe funktionsübergreifende Workshops geleitet, um die Enterprise EPM-Zielarchitektur für einen führenden Telekom-Anbieter in Südostasien (CAPEX, OPEX, Umsatz) zu entwerfen. Dabei habe ich Anforderungen in Datenmodell-Spezifikationen und Integrationsblueprints übersetzt, die das Implementationsteam des Kunden jetzt umsetzt.
• Ich habe Projekte wie ein konsolidiertes Data & Reporting Warehouse für einen globalen Hersteller (über 10.000 Mitarbeitende), NFI-Reporting für eine internationale Management- und Technologieberatung und CAPEX-/OPEX-Planung für einen Telekom-Konzern in Südostasien (über 20.000 Mitarbeitende) umgesetzt.

• Architektur von KI-Systemen über Build-vs-Buy-Ebenen; Beratung von Kunden bei der Technologiewahl, Bewertung, Integrationsmustern und Governance, um Risiken zu reduzieren und die Time-to-Value zu verkürzen.
• Implementierung von Azure-/Snowflake-Lösungen (RAG-Pipelines, Chatbots, Data Agents) einschließlich Ingestion, Retrieval, Orchestrierung und Monitoring.
• Zusammenarbeit mit Stakeholdern, um Geschäftsanforderungen in umsetzbare KI-Roadmaps und Referenzarchitekturen zu übersetzen; Abstimmung mit bestehenden Datenplattformen und Sicherheitskontrollen.

• Aufbau des Unternehmens mit Fokus auf Connectivity für IIoT und Industrie 4.0, iRPA/Prozessautomatisierung, Advanced Robotics und Smart Systems, Sensors and Services
• Projektleitung und Software-Architektur für IoT-Gateway-Entwicklung (seit 2020) mit Protokollübersetzung, IT/OT-Konvergenz und GRC
• Entwicklung von RPA-Bots zur Automatisierung und Überwachung industrieller Prozesse mit agentischem AI-Ansatz (seit 2020)
• Implementierung von Unsupervised Clustering und Anomalieanalyse für Zeitreihendaten in BigData-Streaming-Pipelines (seit 2021)
• Einführung eines Docker-basierten Release-Trains für OTA-Updates mit DevSecOps und CI/CD (seit 2018)

• Aufbau eines KI-Forschungsassistenten mit RAG, LangChain, LangGraph und OpenAI-LLMs in Kombination mit Vektorsuche; Forschungszeit um 30% reduziert.
• Entwicklung maßgeschneiderter Retrieval-Workflows mit LlamaIndex und einem ReAct-Style-Agenten für dynamisches Chunking; Abfragegenauigkeit um 18% verbessert.
• Untersuchung und Optimierung von Embedding-Strategien, wodurch die Abrufkosten pro Anfrage um 15% gesenkt wurden.
• Entwicklung von RAG-Bewertungsframeworks mit RAGAS und Langsmith anhand eigener Datensätze; Abdeckung um 40% gesteigert.
• Feintuning von LLMs (LLaMA 2 auf Vertex AI mit eigenen Inferenz-Containern, dynamischem Batching und Quantisierung); Latenz der Inferenz um 25% verringert.
• Integration von KI-Agenten in LangGraph mit Kurz- und Langzeitspeicher (Mem0); Abschlussquote der Aufgaben um 20% erhöht.
• Erstellung schema-bewusster Generatoren für synthetische Daten; Feintuning nachgelagerter Modelle mit +12% F1-Score.

• Umfangreiche Expertise in der Konzeption und Bereitstellung von Model-Context-Protocol-(MCP)-Infrastrukturen zur Erweiterung der Fähigkeiten von KI-Agenten für eine NGO aufgebaut.
• MCP-Server entwickelt und gewartet (z. B. mit FastMCP), die externe Tools und Datenquellen über eine standardisierte API (JSON) für LLMs bereitstellen.
• Nahtlose Tool-Integration durch eine MCP-Client-Server-Architektur ermöglicht, sodass KI-Hosts oder -Agenten Tools dynamisch erkennen und aufrufen, auf Ressourcen zugreifen und benutzerdefinierte Prompts nutzen können (Dateispeicher, SQL-Datenbanken, Weaviate, Chroma).
• Automatisierte Bereitstellung (CI/CD) in AWS mit IaC (CDK) und Jenkins (Scheduler).
• Vergleichende Modellevaluierungen aufgrund der Anforderungen an die deutsche Sprache durchgeführt (Hugging Face gegenüber Anthropic, Cohere und weiteren) sowie mit AWS Bedrock.
• Rechtliche und regulatorische Aspekte bewertet und sichergestellt, dass die MCP-basierten Lösungen den neuen Anforderungen des EU AI Act entsprachen, etwa hinsichtlich Risikoklassifizierung, Transparenz, Dokumentation und verantwortungsvoller Bereitstellung von Tools im europäischen Kontext.

• Fungierte als zentrale Schnittstelle zwischen Rechts-, Engineering- und Business-Teams, um null Compliance-Verstöße sicherzustellen und gleichzeitig die Produktgeschwindigkeit beizubehalten.

• Führte die Entwicklung einer DSGVO-konformen KI-Aggregator-Plattform an und managte eine Roadmap, die rechtliche Vorgaben mit ambitionierter Feature-Auslieferung in Einklang bringt.

• Skalierte das Engineering-Team von 4 auf 9 Entwickler, etablierte Einstellungsprotokolle und technische Onboarding-Prozesse zur Unterstützung schneller Produktiterationen.

• Optimierte den Entwicklungsprozess durch Einführung strukturierter Sprint-Zyklen und Backlog-Pflege, was zu einer 20%igen Reduktion der Feature-Entwicklungszeit führte.

• Entwarf Architektur und Prototypen für agentenbasierte KI-Workflows mit n8n und RAG-Pipelines auf Langchain.

• Unterstützte die Entwicklung von KI-gestützten Sprachassistenten zur Automatisierung im Recruiting.
• Half bei der Optimierung von Spracherkennungsmodellen und konversationellen KI-Workflows.

• Vision-Language-Action-(VLA)- und Diffusion-Policy-Modelle auf NVIDIA Jetson Orin und Jetson Thor bereitgestellt und optimiert, um Echtzeit-Inferenz-Latenz-Ziele für humanoide Roboter-Steuerungsschleifen zu erreichen.
• TensorRT-Engine-Pipelines (PyTorch → ONNX → TensorRT) mit INT8/FP8 Post-Training-Quantisierung, Design von Kalibrierungsdatensätzen und quantisierungsbewusster Validierung aufgebaut, wodurch der Inferenz-Speicherbedarf auf Jetson um mehr als das 3-Fache reduziert wurde, ohne Genauigkeitsverlust.
• Eigene CUDA-C++-Plugins und CUDA Graphs für latenzdeterministische, echtzeitfähige Policy-Ausführung entwickelt – und damit harte Laufzeit- und Speichergrenzen auf eingebetteten GPU-Zielsystemen eingehalten.
• Eine Inferenz-Engine für VLA-Modelle auf Basis von llama.cpp entwickelt, die verschiedene VLA-Policies unter einer einzigen Runtime zusammenführt und jede als eine einzelne, selbst enthaltene GGUF verpackt, die kein Python oder PyTorch benötigt.
• GPU-Ausführung mit NVIDIA Nsight Systems und Nsight Compute profiliert und optimiert, CUDA-Kernel-Engpässe, Sättigung der Speicherbandbreite und SM-Auslastungsprobleme über Jetson-Orin- und Thor-Compute-Profile hinweg identifiziert und damit eine Performance-Optimierung über mehrere Schichten umgesetzt.