Qt Experten

Projekt: Defekterzeugung auf Prüfstandsbildern von Metalloberflächen Umfeld: Automatisierte Sichtprüfung (AVI), Metallurgie & Fertigung

• Ziel & Umsetzung: Konzeption, Architektur und Training Generativer Adversarial Networks (Pix2PixHD / SPADE) zur Bild-zu-Bild-Transformation. Gezielte Generierung synthetischer Materialfehler (z. B. Risse, Einschlüsse, Zunder) auf rauen Metalloberflächen unter realen Prüfstands-Lichtverhältnissen zur datenschutzkonformen und effizienten Datensatz-Erweiterung (Data Augmentation).
• Technisches Design: Implementierung robuster Generative-AI- und Computer-Vision-Pipelines in Python und PyTorch. Nutzung von Semantic-Segmentation-Ansätzen zur maskengesteuerten Defektsynthese und nachgelagerter Evaluierung mittels EfficientDet-Objekterkennungs-Modellen.
• Business Impact: Massives Dataset-Upscaling (Faktor 10x) ohne zeit- und kostenintensive physische Prüfstandsläufe bei gleichzeitig drastisch gesteigerter Erkennungsleistung automatisierter Inspektionssysteme.

Eingesetzte Technologien & Skills: Python | PyTorch | SPADE | Pix2PixHD | EfficientDet | Machine Learning | Semantic Segmentation | Computer Vision

• Analyse der bestehenden CAN-Kommunikation zwischen Mikrocontrollern
• Analyse der verwendeten Sensoren, gesammelten Messwerte
• Planung der CAN-Botschaften zur Übertragung der Messwerte
• Iteratives Anpassen des Mikrocontroller-Codes auf die neuen CAN-Botschaften
• Cross-Compilierung von x64 auf arm64

• Einführung von 5 verschiedene Prozess-Anwendungen für unterschiedliche Teams

• Planung von Release: Scope- und Zeit-Management

• Ressourcen-/Kapazitätsplanung

• Durchführung von Sprint-Planning / Retrospektiven

• Inkrement-Planung (mehrere Sprints)

• Vorbereitung Lenkungskreis-Meetings / Reporting an Vorstand

• Koordination / Abstimmung mit externen Lieferant / Lieferungen

• Ressourcenplanung Multi-Projekte

• Abstimmung mit Fachbereich und Entwicklungsteam

• Ermittlung der Best-Practice mit IBM BAW

• Kosten-Kontrolle und Planung des Projektteams und externer Dienstleister

• Erhebung KPIs mit Hilfe von LogScale

• Analyse von Anwendungsfehler mit LogScale / Queries

• User Story Definitionen / Abstimmung der Anforderung mit dem Fachbereich und Entwicklungsteam

• Tests und Fehler-Tracking

• UI/UX-Entwurf von Anwendung

• Vorbereitung und Moderation von Brown-Paper-Workshop

• Testkonzept, Testdaten, Testorganisation, Testdurchführung

• Erfassung von Team Velocity / Metriken

• Testdurchführung

• Skript für automatisiertes Testen

• Testorganisation mit Fachbereich und IT

• Erfassung und Priorisierung der Fehler

• Aufbau und Betrieb der Anwendung

• Aufbau von Monitoring der Anwendung mit LogScale Dashboards

• Überprüfung von Health-Endpoints mit PowerShell

• Post-Mortem-Analyse

• Aufbau Incident Management

• Aufbau Problem Management

• Analyse von Fehlern mit Hilfe von LogScale Queries und Dashboard

• Pre-Processing von Daten für die KI

• Durchführung der Evaluation mit KI-Sprachmodellen (Meta Llama 3.3 LLM und deepset Haystack) und RAG

• Installation Laufzeitumgebung für LLMs (Large Language Model)

• Evaluierung von verschiedenen LLMs

• Installation von RAG (Retrieval Augmented Generation) und Integration mit LLM

• Extraktion von unstrukturierten Daten mit LLM und RAG

• Projekt basiert auf IBM BAW (Business Automation Workflow), Websphere Liberty, Domea, d.3, REST, LogScale (ehemalig Humio), Swagger, Powershell, JIRA, Confluence, Lucom Interaction Platform (LIP), Mattermost, Jabber

Unabhängige Open-Source-Entwicklung in Teilzeit mit Schwerpunkt auf Build-Time-Tools für Next.js-, React-, MDX- und JavaScript/TypeScript-Compiler-Pipelines.

• next-slug-splitter entwickelt, um inhaltsbasierte Next.js-Anwendungen zu optimieren. Analysiert MDX-Inhalte zur Build-Zeit, löst die Verwendung von Komponenten auf und generiert routenspezifische Handler, sodass Seiten nicht das vollständige Catch-all-Komponenten-Bundle gemeinsam verwenden müssen.

• Unterstützende Plugins und Hilfsprogramme für bereichsbezogene MDX-Transformationen, die Auflösung verschachtelter Komponentenabhängigkeiten, Compile-Time-Verfeinerung, sichere ESTree-Auswertung und den Vergleich von Objektgraphen erstellt.

• Verantwortlich für Architektur, API-Design, Implementierung, automatisierte Tests, npm-Veröffentlichungen, Dokumentation, Demos und Performance-Benchmarking.

Bausteine:

• remark-scoped-mdx: Kontextabhängige AST-Transformationen mit isolierten verschachtelten Bereichen, typisierten Komponentenregistern und Prop-Inferenz.

• recma-component-resolver: Analyse von Abhängigkeitsgraphen und selektive Weitergabe von Komponenten über verschachtelte MDX-Includes hinweg.

• recma-static-refiner: Extraktion, Schema-Validierung, Ableitung und Entfernung von Props zur Build-Zeit.

• estree-util-to-static-value und object-graph-delta: Sichere statische Auswertung und deterministischer, zyklussicherer struktureller Vergleich.

Technologie-Stack:

• Frameworks: TypeScript · Next.js · React · MDX

• Compiler-Tools: Unified · Remark · Recma · MDAST · ESTree · ts-morph · esbuild

• Kompetenzen: Statische Analyse · AST-Traversierung und -Transformation · Abhängigkeitsgraphen · Codegenerierung · Schema-Validierung · Aufteilung von Routen und Bundles

• Tools: Vitest · tsup · npm · Performance-Benchmarking

• Rolle: Simulation Engineer
• Umfeld: Maschinenbau / Visuelle Inspektion
• Ziele & Umsetzung: Simulation von Photometric-Stereo-Setups, um optimale Positionen von Kameras und Lichtquellen bauteilspezifisch zu ermitteln.
• Business Value: Ermöglichte eine kostengünstige und skalierbare Lösung, um bauteilspezifische Hardware-Setups zu bestimmen.
• Tech Stack: Python, Blender

Tests und Absicherung von Hochvoltsystemen

• Durchführung von Integrations- und Systemtests für Steuergeräte in PHEV-/EV-Fahrzeugen unter Einsatz von ECU-TEST (TraceTronic), Vector CANoe, CANalyzer, ETAS INCA, Tornado, E-Sys und EDIABAS.
• Analyse des Zusammenspiels von Hochvolt-Steuergeräten (u. a. CCU, BMU, Inverter, IPB und IPF) sowie Durchführung von Software-Updates und Flash-Prozessen zur Verifikation neuer Softwarestände.
• Enge Zusammenarbeit mit Software-, System- und Integrationsteams in einem agilen Entwicklungsumfeld zur Fehleranalyse und Absicherung neuer Softwarestände.

• Verantwortlich für die technische Ausrichtung mehrerer KI-Produkte in der Rolle eines Product Owners: Roadmaps gestalten, das interne Entwicklungsteam anleiten und die Umsetzung vom Konzept bis zur Auslieferung betreuen.
• Technische Schnittstelle zwischen Stakeholdern, Endkunden und Anbietern bei einem Lösungsanbieter (Reseller und eigene Produkte): Anbieterlösungen anhand der Kundenanforderungen bewerten, Gespräche mit Anbietern führen und Vertrieb sowie Pre-Sales bei der technischen Lösungsentwicklung unterstützen.

• Verantworte die Software-Systemarchitektur für Laborautomationsprodukte; definiere Schnittstellen über Software, Middleware, Hardware und Motorsteuerung hinweg in einer regulierten IVD-Umgebung.
• Leitete Architektur-Reviews und Proof-of-Concepts für die Integration von KI-Funktionen (Anomalieerkennung, Predictive Maintenance) in die Laborautomation unter Qualitätsstandards für Medizinprodukte.
• Führte GenAI-gestützte Entwicklungstools im Team ein und verbesserte dadurch die Produktivität und die Qualität von Code-Reviews.
• Kommuniziere Architekturentscheidungen an Produkt- und Projektmanagement; koordiniere Forschungs- und Verbesserungsprojekte mit System-, Elektronik- und externen Partnern.

Oracle-Projektmanagement und Automatisierung

Im Rahmen des Projekts wurde die Automatisierung des Betriebs einer Oracle-Infrastruktur durch die Entwicklung und Weiterentwicklung von Puppet-Modulen sowie die Migration bestehender Bash-Skripte auf eine standardisierte Configuration-Management-Lösung unterstützt.

Ziel des Projekts war die Standardisierung und Automatisierung administrativer Prozesse, die Verbesserung der Wartbarkeit der Oracle-Plattform sowie die Erhöhung der Effizienz und Nachvollziehbarkeit des Infrastrukturmanagements durch den Einsatz von Infrastructure as Code.

• Analyse und Migration bestehender Bash-Shell-Skripte in eine Puppet-basierte Automatisierungslösung
• Entwicklung und Weiterentwicklung von Puppet-Modulen für Oracle-Umgebungen
• Automatisierung von Installations-, Konfigurations- und Betriebsprozessen mittels Infrastructure as Code
• Standardisierung und Optimierung des Configuration Managements für Oracle-Systeme
• Erstellung und Pflege technischer Dokumentationen sowie Betriebsdokumentationen
• Planung, Koordination und fachliche Begleitung der Projektumsetzung
• Betrieb und Automatisierung von Oracle-Systemen auf x86-basierten Linux-Serverplattformen
• Durchführung von Tests und Qualitätssicherung der entwickelten Puppet-Module
• Analyse und Behebung technischer Fehler im Rahmen der Automatisierung und Migration
• Enge Abstimmung mit Fachbereichen und Infrastrukturteams zur Umsetzung der Automatisierungsanforderungen

Eingesetzte Technologien: Puppet 7/8, SLES 15, Oracle 19, Oracle Grid, SVN, Windows Server, Confluence, VS Code, Ruby, Bash, Pass

• Weiterentwicklung und Betrieb eines zentralen Backend-Services zur Bereitstellung des Fahrzeugbestands für internationale Mercedes-Benz Online-Shops
• Weiterentwicklung eines Reservierungsservices für Fahrzeuge als Bestandteil des Checkout-Prozesses
• Konzeption und Umsetzung einer hochskalierbaren Ende-zu-Ende-Testarchitektur mit Fokus auf Wartbarkeit, Wiederverwendbarkeit und einer hohen Anzahl automatisierter Testfälle
• Entwicklung einer mehrschichtigen Testinfrastruktur mit konsequenter Trennung von Testlogik und Zugriffsschichten
• Entwicklung einer Initialisierungs- und Caching-Architektur zur erheblichen Beschleunigung lokaler sowie CI/CD-basierter Testausführungen
• Entwicklung einer KI-gestützten Review-Architektur zur automatisierten Bewertung und Qualitätssicherung von Ende-zu-Ende-Tests
• Entwicklung eines Dashboards zur konsolidierten Darstellung eines Fahrzeugkontextes über mehrere Backend-Systeme hinweg inklusive KI-generierter Zusammenfassungen und komprimierter Fallanalysen
• Integration und Weiterentwicklung der Anbindung verschiedener Reservierungssysteme über Apache Kafka und Rest
• Konzeption neuer Microservices sowie Unterstützung bei Architekturentscheidungen
• Risikoanalyse und Konzeption von Microservice-Migrationen
• Technologien: Java, Spring, Spring Boot, Gradle, Maven, Apache Kafka, Rest, OpenAPI, Swagger, Github, Confluence, CI/CD, Microservices, AI, LLMs

• Entwickelte modellbasierte Software für Wasserstofftank-Steuergeräte mit MATLAB/Simulink, abgestimmt auf die Anforderungen der funktionalen Sicherheit nach ISO 26262
• Führte Systemintegration und Softwareverifikation in MIL- und HIL-Umgebungen mit dSPACE- und Vector-Tools durch
• Definierte die Softwarearchitektur (SADS) mit Schnittstellenspezifikationen für CAN-, analoge und digitale Kommunikationsprotokolle
• Erzeugte produktionsreifen Embedded-C-Code mit dem Simulink Embedded Coder; erstellte und pflegte A2L-Kalibrierungsdateien mit CANape
• Entwarf und führte MIL/HIL-Testfälle aus, um die vollständige Abdeckung der Funktions- und Sicherheitsanforderungen sicherzustellen
• Implementierte CODESYS-SPS-Anwendungen auf dem IFM ecomatController; setzte CAN- und Modbus-TCP/IP-Kommunikationsprotokolle ein
• Mitwirkung an der HMI/UI-Entwicklung mit Qt/C++ unter Linux (Qt Creator)
• Arbeitete mit einem agilen Kanban-Workflow und Git-basierter Versionsverwaltung (Bitbucket)

Tools: MATLAB, Simulink, CANape, CANalyzer, PCAN-View, Embedded Coder, CODESYS, TTC2038/PXROS, Codebeamer, Jira, Git

• Entwicklung und Pflege von IT-Architekturen mit Embedded-Linux-Systemen.
• Design, Implementierung und Optimierung von Backend-Applikationen und skriptbasierten Lösungen.
• Analyse und Behebung von Störungen inklusive Troubleshooting und Anwenderbetreuung.
• Entwicklung und Umsetzung von Sicherheitskonzepten für Cloud-Lösungen.
• Administration von Netzwerken (DHCP, DNS, NTP, VPN).
• Technologien: Linux, PowerShell, Bash, Python, Ansible, Kubernetes, Gitlab CI.
• Methoden: Kanban.

• Eine modulare C++-20-Embedded-Linux-Acquisition-Software auf einem Raspberry Pi entwickelt, die IMU- und Dual-Kamera-Datenströme mit Genauigkeit im Submillisekundenbereich synchronisiert.
• Retroreflektive und Kontrastsensoren integriert, um die Datenerfassung auszulösen und Lücken zwischen Sortierbahnschienen zu erkennen.
• SPI- und I2C-Sensorkommunikation, GPIO-Interrupt-Verarbeitung mit libgpiod sowie CSV- und JSON-Ausgabe implementiert.
• Eine mehrthreadige Acquisition-Pipeline und eine SPSC-Queue zwischen Acquisition- und Writer-Threads entworfen.
• Einen webbasierten Server mit Python/HTML/CSS aufgebaut und den Prototypen in einem DHL-Lager zur Fehlererkennung validiert.
• Das Softwareverhalten, die Konfiguration und die Ergebnisse dokumentiert, um eine wartbare Übergabe und Weiterentwicklung zu ermöglichen.

• Anforderungsbasierte Testfallgestaltung für automatisierte Parkmanöver.
• Implementierung und Durchführung von Testfällen.
• Integration in das bestehende AVP (Automated Valet Parking) Software-Framework.