PostgreSQL-Experten in Frankfurt

Remote-Freelance-Rolle mit Schwerpunkt auf Agentic-AI-Strategie, sicheren Anwendungsmustern und wiederverwendbaren agentischen Workflows für eine Behörde.

• Entwicklung und Umsetzung einer Open-Source-Strategie für Agentic AI für eine Behörde mit Schwerpunkt auf GDPR, Sicherheit und selbst gehosteten Lösungen
• Entwicklung wiederverwendbarer agentischer Workflows und Geschäftsanwendungen, mit denen nicht-technische Mitarbeitende Geschäftsprobleme selbstständig lösen können
• Umsetzung von neun Geschäftsanwendungen mit Single Sign-On (SSO) und Azure-PostgreSQL-Integration auf Hetzner-Linux-Servern

Techstack: Python, Streamlit, Anthropic SDK (Claude), Azure, Linux, PostgreSQL, MS SQL, Angular

Ich bin ein erfahrener Data Engineer mit Spezialisierung auf durchgängige Datenintegration, Cloud-DWH-Architekturen und hochwertige, gut gesteuerte Datenprodukte.

Als Freiberufler habe ich die folgenden Projekte und Aufträge umgesetzt.

• Datenmigration eines CRM-Systems für AL-FA Objekt Service Gmbh
• Partnerschaft für den Weiterverkauf von Microsoft-Software

Ich suche freiberufliche Aufgaben wie: Freelance Data Engineer Cloud Data Warehouse Architect Data Modeling & Architecture Consultant MDM & Data Governance Specialist BI & Analytics Developer

Technische Schwerpunkte

• Data Engineering & Integration: SQL Server/SSIS, Informatica PowerCenter/IDQ, Talend, Kafka, Azure Data Factory – Delta/CDC/ELT-Muster, robuste Pipelines, Überwachung/Wiederherstellung, Datenherkunft und Auswirkungsanalyse, Medallion-Architektur mit Bronze/Silver/Gold-Schichten
• DWH & Cloud: Azure SQL / Data Lake / Synapse, AWS Redshift/S3, On-Premises SQL/Oracle – skalierbare Data Marts mit starkem Fokus auf Kosten und Nutzen.
• Datenmodellierung: Atomare (Inmon-) und dimensionale (Kimball-)Modelle, Data Vault (Linstedt), Domain-Driven Design, klare Datenherkunft und Verträge.
• MDM & Governance: Informatica MDM, IBM MDM, Stewardship-Prozesse, Datenqualitätsregeln, Survivorship/XREF, Katalog/Glossar, SIF/BES/REST-Veröffentlichung.
• Analytics/BI: Power BI, SSAS, Cognos – businessfähige und wartbare Datenprodukte.

• Branche: Versicherung, Handel, IT
• Kunden & Projekte: Beratung und Verkauf von Versicherungen und ähnlichen Dienstleistungen
• Tätigkeitsschwerpunkte: Versicherungsberatung (Krankenversicherung, Altersvorsorge, Vermögensaufbau); kaufmännische Dienstleistungen, Vertrieb im Innen- und Außendienst; Verkaufsdatenanalyse und Prognoseerstellung; Kundenberatung und Support; Eröffnung einer neuen Vertriebszentrale für Privat- und Firmenkunden; Geschäftsfeldentwicklung & Innovationsmanagement; Entwicklung von Business-Use-Cases; Prozessoptimierung; Stakeholder-Management; Teamleitung und Weiterbildung; Vorbereitung und Durchführung von Schulungen;
• Verwendete Technologien: Microsoft Office 365, Microsoft Teams, Jira, Draw.IO, Camunda 8, Java (8, 17,21,25), Git, Spring Boot, Spring Batch, Spring Data REST, Spring Web, Spring Security, J-Unit, Playwright, Lombock, Vaadin, H2, PostgreSQL (16, 17 18), pgAdmin, Docker, LLMs, JasperSoft Studio, JasperReports

• Konzeption und Umsetzung modularer KI-Assistenten für Vertriebs- und Geschäftsprozesse im Microsoft-Ökosystem (Agentic AI, Copilot-Erweiterungen)
• Frontend-Architektur und -Entwicklung mit React + TypeScript für eingebettete Chat- und Assistenten-Oberflächen (Streaming-UI, Hooks, React Query, OpenAPI-Clients)
• Entwicklung von Agenten auf Enterprise-Ebene: wiederverwendbare Skill-/Agent-Bibliothek, MCP-Server, Review- und Compliance-Prüfungen
• Integration von LLMs in die User Experience: Anthropic (Claude), OpenAI, Tool-Use, RAG-Pipelines, Prompt Engineering, Guardrails
• Beratung zu Architektur und Code-Reviews sowie Mentoring im KI-Entwicklungsteam
• Anbindung an Microsoft Graph, Power Platform und Azure-Dienste
• Technologien: React, TypeScript, Anthropic Claude, OpenAI, MCP, RAG, Microsoft Graph, Power Platform, Azure

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

• 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

• Entwicklung einer MCP-Schicht (Model Context Protocol) für den Agentur-Service von Mwanachama, die Methoden von Domain-Managern in aufrufbare Werkzeuge für AI-Agenten umwandelt. Dazu gehörte ein zusammengesetztes Werkzeug, das aus einer einzigen Spezifikation ein vollständiges Organisationsdesign erstellt (Organigramm, Ziele, Workflows, RACI-Matrix).
• Entwicklung des chatgesteuerten Agentur-Builders (Wakala Studio und API), in dem eine Organisation ihre Struktur in natürlicher Sprache beschreibt und ein AI-Agent diese Werkzeuge verwendet, um das laufende Design zu erstellen und zu ändern.
• Hinzufügen eines Insights-Services, mit dem eine Organisation AI-Agenten-Interaktionen und abgeschlossene Arbeiten überprüfen kann. Die Erkenntnisse aus dieser Überprüfung fließen in das Lösungsdesign zurück, freigegeben durch Architekt und Nutzer.
• Parallel dazu Entwicklung und Aufbau der Plattform selbst: etwa 20 Go-Microservices auf PostgreSQL, Flutter- und React-Clients, bereitgestellt auf Kubernetes.
• AI-Agenten durchsuchen die Plattform autonom nach Sicherheitslücken und führen skriptbasierte Tests durch, einschließlich API-Tests (im Stil von Postman) und UI-Tests. Die übrige Arbeit bleibt überwacht. Keine außer Kontrolle geratenen Agenten, versprochen.
• Entwicklung einer AI-nativen Unternehmensplattform, die Organisationsdaten, Workflows und Verantwortlichkeiten für Menschen und AI-Agenten strukturiert.
• Abbildung von Verantwortlichkeit durch RACI, sodass menschliche und AI-Teilnehmer unterschiedliche operative Rollen übernehmen können, darunter Responsible, Accountable, Consulted und Informed. AI-Agenten können außerdem kontrollierte Freigaberollen übernehmen, wenn die Organisation ihnen diese Verantwortung zuweist.
• Übertragung der Themen Organisations- und operationelles Risiko aus meiner Executive-MBA-Thesis in Software, sodass Rollen, Prozesse und Kontrollen explizit und maschinenlesbar werden.
• Strukturierung des Unternehmenskontexts, damit LLM-Interaktionen relevantere Informationen verwenden, anstatt wiederholt große Mengen unstrukturierter Inhalte zu verarbeiten.

• Leitung der Discovery-Phase und des POC für die Migration von Shopware zu Shopify Plus in den EMEA-Märkten, einschließlich Bewertung der Plattformtauglichkeit, der technischen Architektur sowie der Multi-Brand- und Multi-Country-Funktionen anhand der Geschäftsanforderungen.
• Entwicklung einer Referenzarchitektur für die Shopify-Plus-Implementierung mit Headless-Frontend-Patterns (Vue.js, Nuxt.js), CMS-Integration (Magnolia) und Azure-Middleware (APIM, Functions, Logic Apps, Service Bus) für 11 EMEA-Märkte.
• Definition der Migrationsstrategie durch Analyse des Datenmappings, des Cutover-Ansatzes und von Deployment-Patterns ohne Ausfallzeit mit Varnish-Caching, GitOps-Pipelines und CI/CD-Orchestrierung über sechs Anbieter-Teams hinweg.
• Entwicklung eines Multi-Tenant-Governance-Modells für Shopify Plus mit zentraler Administration, lokaler Anpassung der Storefronts und Compliance-Kontrollen (GDPR, Datenresidenz).
• Entwicklung eines Prototyps für KI-gestützte Suchoptimierung (LLM.txt, JSON-LD), um die Auffindbarkeit von Produkten in Google-AI-Ergebnissen zu verbessern und Chancen für die Performance nach dem Launch aufzuzeigen.
• Definition der EMEA-Expansions-Roadmap für 15+ Märkte durch strategische Workshops mit dem C-Level, einschließlich Identifikation des schrittweisen Rollouts, marktspezifischer Konfigurationen und des Ressourcenbedarfs.
• Tech Stack: React, Nuxt.js, Vue.js, Magnolia CMS, Shopware, Shopify Plus, Azure (APIM, Functions, Logic Apps, Service Bus, Front Door), Varnish, SAP, MS Dynamics, Docker, Kubernetes, GitHub Actions, PostgreSQL, Kafka

Eigenverantwortlicher Aufbau einer Datenplattform mit systemübergreifendem Prozessmonitoring.

• Konzeption der Bronze/Silver/Gold-Architektur und Python-basierte Pipelines für heterogene operative Quellen.
• Bereinigung, Harmonisierung und Validierung der Daten; Verarbeitung und Ablage im Parquet-Format.
• Historisierung von Datenständen und Aufbau fachlicher Fakten- und Dimensionsmodelle für nachvollziehbare Auswertungen.
• Automatisierte Datenbereitstellung mit Python und Power Automate (Desktop und Cloud); SharePoint für Archivierung und Datenzugriff.
• Entwicklung der Power-BI-Lösung von der Datenaufbereitung bis zur Visualisierung von Prozesszuständen, Bearbeitungsständen und Abweichungen.

Technologien: Python, SQL, Parquet, Power BI, Power Query, Power Automate, SharePoint, Copilot

Statistischer Prognosealgorithmus

• Verbesserung eines statistischen probabilistischen Prognosealgorithmus für Umsätze + Evaluierung
• Migration von R/On-Premise zu Python/Snowflake
• Überführung in den Produktivbetrieb auf Snowflake in Zusammenarbeit mit Data Engineers & DevOps

Monitoring-Dashboard

• Data Engineering zur Aufbereitung & Bereitstellung notwendiger Daten/Ressourcen auf Snowflake
• Entwicklung & Bereitstellung eines Streamlit-Dashboards in Snowflake

ML-basierte probabilistische Prognosen auf Vertex AI

• Entwicklung eines ML-basierten probabilistischen Prognosealgorithmus von Grund auf
• Implementierung einer MLOps-Pipeline in Kubeflow auf Google Cloud Vertex AI

Tech Stack: Python, Snowflake/Snowpark, R, Streamlit, Gitlab/Gitlab CICD, Terraform, Google Cloud, Vertex AI (aiplatform SDK, gcloud CLI, Feature Store, Model Registry usw.), kubeflow

Projekt: SCS (Settlement / Clearing Services)

Abwicklungsplattform für mehrere Handels- und Clearingplätze — Absicherung des Kontrahentenrisikos, Reduzierung des Abwicklungsvolumens, zentrales Risikomanagement und Anonymität nach dem Handel.

Technologien: Java 17, Spring Boot 3, Microservices, Spring Data JPA, SonarQube, Fortify (SCST), Mockito, Jenkins, OpenShift, Maven, Podman, GitHub, JIRA, Liquibase, Swagger, AMQP, Apache Camel, Terraform, PostgreSQL, Instana, Graylog.

• CVEs in Drittanbieter-Bibliotheken mithilfe von SCA-Tools identifiziert und behoben und damit die Sicherheitslage der Produktivkomponenten verbessert.
• 90 % Code Coverage mit SonarQube gehalten, die Codequalität verbessert und Produktionsfehler reduziert.
• mTLS für die Datenbankauthentifizierung und Verbindungen zu Message Brokern aktiviert und damit verschlüsselte, zertifikatsgeprüfte Kommunikation durchgesetzt.
• Microservices mit asynchroner, REST-basierter Kommunikation zwischen den Komponenten entworfen und bereitgestellt.
• Eine REST-API mit hohem Volumen (~200K Requests) optimiert, indem die Antwortzeit von 3s auf 2s reduziert wurde (33 % Verbesserung), was Durchsatz und Zuverlässigkeit unter Produktionslast erhöht hat.
• Build- und Continuous-Integration-Pipelines mit Maven und Jenkins automatisiert.
• Containerisierte Workloads auf Podman/OpenShift orchestriert und die Schema-Weiterentwicklung mit Liquibase gesteuert, um zuverlässige und wiederholbare Deployments in allen Umgebungen sicherzustellen.
• Java-Code optimiert und EHCache-basiertes Caching implementiert, um die Anwendungsleistung zu verbessern.
• Das Release-Management vereinfacht, indem Anwendungsimages, JAR-Versionen und Abhängigkeiten über DBAG Artifactory gesteuert wurden, um Versionskonsistenz und Audit-Nachvollziehbarkeit über alle Umgebungen hinweg sicherzustellen

• Leitete die Konzeption, Entwicklung und Bereitstellung von Datenlösungen zur Unterstützung einer großen Pharmaübernahme für Takeda Pharmaceutical Company und lieferte Systeme für Transparenzberichte auf Azure,Databricks (Python and Shell Scripting)-Plattformen.
• Verantwortete die Konzeption und Entwicklung skalierbarer ELT-Pipelines zur Verarbeitung von Kunden- und Produktdaten mit Azure, komplexem SQL, Databricks und Shell scripting und ermöglichte eine effiziente Datenintegration und -verarbeitung aus mehreren Quellen einschließlich Orchestrierung von Jobs und Workflow-Automatisierung.
• Implementierte Techniken zur Performance-Optimierung (Abfrageoptimierung, Parallelisierung, Workload-Optimierung) und verbesserte dadurch die Systemeffizienz und Verarbeitungszeit.
• Setzte ausgeprägte analytische Fähigkeiten und Problemlösungskompetenz ein, um technische Lösungen zu bewerten und Geschäftsanforderungen für Compliance- und Transparenzberichte zu unterstützen.
• Entwickelte skalierbare Datengrundlagen für nachgelagerte Analysen und KI-Workloads.
• Leitete Initiativen zur Datenqualität, indem Daten aus mehreren Quellen bewertet, Qualitätsmetriken definiert und Prozesse für Überwachung und kontinuierliche Verbesserung etabliert wurden.

• Full-Stack-Entwicklung mit TypeScript
• Anwendungsarchitektur
• Technische Leitung
• Infrastruktur und Skalierbarkeit
• Migrationen von Legacy-Systemen und Architekturen
• Produktive Anwendungen entwickeln und verbessern

• Vortrag zur Einführung in generische K.I. und Large Language Models
• Erläuterung rechtlicher Rahmenbedingungen (EU AI Act, US CLOUD Act, DSGVO)
• Systematische Betrachtung von KI-Tools entlang des SDLC und Holistische Systeme
• Vergleich On-Prem LLMs vs. cloudbasiert sowie Change-Management und Betriebsrat
• Moderation der Diskussion und Ableitung nächster Schritte für die Einführung von KI Entwicklungstools