Recommender System Experten in Deutschland

• Entwicklung einer produktionsreifen Enterprise-AI-Lösung zur automatisierten Verarbeitung von Rechnungen und Geschäftsdokumenten
• Integration von Azure AI Document Intelligence und LLM-Technologien in bestehende Unternehmensprozesse
• Entwicklung robuster REST APIs zur automatisierten Dokumentenverarbeitung und Systemintegration
• Extraktion, Validierung und Speicherung strukturierter Rechnungsdaten in Azure SQL als Grundlage für Analytics- und Machine-Learning-Modelle
• Entwicklung einer AI-basierten Recommendation Engine mit Machine Learning und Deep Learning zur Generierung personalisierter Produktempfehlungen auf Basis historischer Einkaufsdaten
• Implementierung von Logging, Monitoring, Fehlerbehandlung und Validierungsmechanismen für einen stabilen produktiven Betrieb
• Zusammenarbeit mit Fachbereichen zur Definition von Geschäftsregeln und Integration der Lösung in bestehende Enterprise-Prozesse

Technologien: Python, Azure AI Document Intelligence, Azure OpenAI, Azure SQL Database, REST APIs, Machine Learning, Deep Learning, OCR, Pandas, JSON, Workflow-Automatisierung

• Relaunch eines selbst entwickelten semantischen Namensempfehlungsprodukts durch die Verbindung von semantischer Suche, graphbasierter Ähnlichkeitsanalyse, LLM-/RAG-gestützten Inhalten und KI-unterstützten Entwicklungsprozessen.
• End-to-End-Verantwortung im Produktlebenszyklus - von Use-Case-Definition und Lösungsdesign über Prototyping und Evaluation bis zur iterativen Weiterentwicklung der Roadmap.
• Bewertung von KI-Anwendungsfällen hinsichtlich Nutzerwert, technischer Machbarkeit, Datenqualität, Governance und Betriebskosten zur Steuerung von MVP-Umfang, Roadmap-Entscheidungen und kontinuierlicher Produktverbesserung.

• 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

• Aufbau, Implementierung und Vertrieb von automatisierten Data-Science-Lösungen wie Scorecard Factory und Prognose Factory
• Implementierung automatisierter End-to-End-Cloud-Prozesse
• Entwicklung von LLM- und NLP-Modellen
• Erstellung interaktiver Reports
• Betreuung nationaler und internationaler Großkonzerne sowie mittelständischer Firmen bei der Implementierung von ML-Projekten

Entwicklung und Weiterentwicklung einer internen Plattform zur Verwaltung und Bereitstellung technischer Ressourcen, virtueller Maschinen und infrastruktureller Services. Die Plattform unterstützt Self-Service-Prozesse und bildet Funktionen ab, die konzeptionell mit Cloud-Management-Lösungen wie Azure oder AWS vergleichbar sind.

• Verantwortliche Mitarbeit an der Konzeption, Entwicklung und Umsetzung neuer Backend- und Frontend-Funktionalitäten
• Hands-on Entwicklung mit Java, Spring Boot, Python und Angular
• Umsetzung von REST-Schnittstellen, Business-Logik, Validierungen und Integrationen in bestehende Systemlandschaften
• Weiterentwicklung moderner Weboberflächen mit Angular, inkl. Anbindung an Backend-Services
• Mitarbeit an Architektur- und Designentscheidungen im Team, insbesondere im Hinblick auf Skalierbarkeit, Wartbarkeit und saubere Schnittstellen
• Containerisierung und Deployment von Anwendungen mit Docker, Kubernetes und Helm
• Unterstützung bei CI/CD-Prozessen sowie beim Deployment in Kubernetes-basierte Umgebungen
• Arbeit im Umfeld von vSphere, Broadcom, GitLab CI/CD, ArgoCD, Maven, npm und NuGet
• Enge Zusammenarbeit mit Entwicklern, Fachbereich, DevOps und weiteren technischen Stakeholdern
• Analyse technischer Anforderungen, Ableitung geeigneter Lösungen und eigenständige Umsetzung im agilen Team
• Einsatz von GitHub Copilot zur Unterstützung bei Codegenerierung, Refactoring, Testfall-Erstellung und technischer Dokumentation

Methoden/ Werkzeuge/ Technologien: Sprachen & Frameworks: Java (21), Spring Boot (4.x), Python, AngularRobot Framework, Kubernetes, Helm Persistenz: PostgreSQL, MongoDB, Hibernate, Liquibase, Architektur & Kommunikation: REST, gRPC, GraphQL, Apache-Kafka, OpenAPI, Microservices, Event Driven, Domain Driven Design Cloud & Infrastruktur: Terraform, Docker, Rancher, Helm, Ansible Security: OAuth2, MS (Entra-ID), Websecurity, Keycloak (Extensions für detaillierte Gruppenrechte) DevOps: GitLab CI/CD, Ansible, Maven, Gradle, Grafana, Prometheus, Git, GitHub Copilot Testing & QM: JUnit, Robot Framework, automatisierte Komponenten- & Integrationstests, E2E Tests mit Playwright, Testcontainers, Easymock Methodik & Vorgehen: Kanban, JIRA, Confluence, Clean Code

• Mentor eines Teams aus 6 ML-Platform-Engineers durch wöchentliche 1:1s, technische Design-Reviews und Best Practices; Verbesserung der Team-Produktivität um 35% durch strukturierte Sprint-Planung und Programme zur Skill-Entwicklung
• Definition der ML-Plattform-Roadmap 2025–2026 in Zusammenarbeit mit Data Science, Cloud Engineering und Product Teams; Priorisierung von automatisierter Model Governance, Cost-Attribution-Systemen und Multi-Environment-Deployment-Strategien
• Zusammenarbeit mit Stakeholdern aus Data Science, SRE und Product, um die Fähigkeiten der ML-Plattform mit den Geschäftszielen abzustimmen; Reduktion der Deployment-Hürden für Data Scientists um 60% durch Self-Service-Plattformen
• Architektur und Lieferung einer produktionsreifen MLOps-Plattform für 50+ Modelle in Produktion mit automatisierten Promotion-Pipelines, Versionierung und Rollback-Funktionen; Erreichung eines SLA von 99,5% Plattform-Uptime
• Design einer verteilten ML-Pipeline-Architektur mit Metaflow und Argo Workflows (Vertex Pipelines-kompatibel); Verkürzung der Modell-Trainingszeit um 30% und der Deployment-Zyklen von 2 Wochen auf 3 Tage durch vollständige CI/CD-Automatisierung
• Aufbau containerisierter ML-Services auf Kubernetes mit Auto-Scaling-Policies, Resource Quotas und Multi-Tenancy-Isolation; Optimierung der Infrastrukturkosten um 180K $ pro Jahr (25% Reduktion)
• Implementierung von Monitoring, Alerting und Performance-Tracking mit Prometheus, Grafana und Custom Instrumentation; Reduktion der Debugging-Zeit für Modelle um 50% und Einführung von SLOs für die Modell-Performance
• Leitung der Entwicklung einer RAG-basierten Document-Intelligence-Plattform mit LangChain, LangGraph und Vektor-Datenbanken; Implementierung von Agentic-AI-Workflows für die automatisierte Verarbeitung von Finanzdokumenten
• Implementierung von Infrastructure-as-Code mit Terraform für reproduzierbare Umgebungseinrichtung und GitOps-Workflows; Reduktion von Infrastruktur-Drift-Vorfällen um 80%
• Design von rollenbasiertem Zugriff für die ML-Plattform, Implementierung von Model-Lineage-Tracking und Aufbau von Audit Trails für regulatorische Compliance nach Enterprise-IAM-Best Practices

PLANT-MY-TREE®-per-order

Die Anwendung ermöglicht Shopify-Händlern die automatisierte Beauftragung von Baumpflanzungen für jede eingegangene Bestellung. Durch die Integration ökologischer Beiträge direkt in den Kaufprozess entfällt der manuelle Aufwand für die Nachverfolgung und Abrechnung von Aufforstungsinitiativen. Das System steigert die Transparenz gegenüber Endkunden durch Echtzeit-Visualisierungen des ökologischen Impacts direkt im Storefront. Die Architektur basiert auf einem modularen Monolithen mit Spring Boot im Backend und einer integrierten React-App innerhalb des Shopify-Admin-Bereichs. Die Lösung nutzt Webhooks zur Event-gesteuerten Erfassung von Bestelldaten und integriert das ERP-System weclapp zur automatisierten monatlichen Rechnungsstellung. Ein App-Proxy-Mechanismus stellt dynamische Statistiken wie CO2-Kompensation und gepflanzte Bäume ohne Performance-Einbußen für den Händler-Shop bereit.

Tätigkeiten:

• Konzeption der modularen Softwarearchitektur basierend auf Spring Modulith zur Sicherstellung hoher Wartbarkeit
• Entwicklung der Event-gesteuerten Geschäftslogik zur Bewertung von Shopify-Bestellungen mittels Webhooks
• Implementierung der automatisierten Rechnungsstellung durch Anbindung der weclapp REST-API
• Aufbau des Frontends unter Verwendung von React Router und der Shopify App Bridge für eine native Integration
• Design des Datenbankmodells und Implementierung der Persistenzschicht mit JPA/Hibernate sowie Prisma
• Integration von Internationalisierungsprozessen für die globale Anwendung in Frontend und E-Mail-Kommunikation
• Automatisierung der Deployment-Prozesse mittels Docker und GitLab CI/CD

Projektskills: Java 25, Spring Boot, Spring Security, Spring Modulith, Hibernate, JPA, REST API, PostgreSQL, Maven, Liquibase, React, TypeScript, React Router, Vite, Node.js, Prisma, Zod, Docker, Docker Compose, GitLab CI/CD, Shopify CLI, Shopify App Bridge, Polaris, weclapp, i18next, Lombok, Vitest

• Automatische Erkennung von Inhalten auf verschiedenen Dokumenten
• Recommendation Engine
• Dynamic Pricing

• Entwickelte und implementierte ein hybrides Empfehlungssystem (Content-Based + Collaborative Filtering)
• Baute End-to-End-ML-Pipelines inklusive Datenverarbeitung, Feature Engineering, Modelltraining und Bewertung
• Entwickelte RAG-basierte LLM-Systeme mit LangChain und Vektordatenbanken für semantische Suche und Wissensabruf
• Etablierte MLOps-Workflows mit MLflow für Experiment-Tracking, Versionierung und Deployment-Bereitschaft
• Implementierte Deep-Learning-Modelle (Computer Vision & Klassifikation) mit PyTorch und TensorFlow

• Hatte direkte Linienverantwortung für ein Team von 4 Platform Engineers — inklusive Hiring, Performance Reviews und Karriereentwicklung — und habe dabei einen gemeinsamen Rahmen für Engineering-Standards sowie eine Coaching-Kultur aufgebaut, die die Delivery über Kundenprojekte hinweg beschleunigt hat.
• Habe ein Team von Engineers geführt, um ein cloud-natives Voice-AI-System für einen großen Inspektionskunden zu entwerfen. Damit konnten 2.500 Außendienst-Inspektoren ihre Arbeit komplett freihändig per Echtzeit-Transkription und AI Agents dokumentieren — manuelle Dateneingabe über 440.000 Inspektionen pro Monat wurde eliminiert und die Kosten pro Nutzer von 9 $ auf 1 $ gesenkt. Stack: AWS (DynamoDB, S3, Transcribe, CloudFront, API Gateway, Bedrock), ElevenLabs, Claude.
• Habe ein Team von Engineers geführt, um das Management von Kubernetes-Clustern über mehrere Regionen für einen globalen SaaS-Marktführer zu automatisieren. Dadurch sank die Bereitstellungszeit von 3 Wochen auf unter einen Tag und 90 % der Konfigurationsfehler wurden eliminiert. Stack: EKS, Terragrunt, Python, Bash, ArgoCD.
• Accelerator - Cloud-agnostische KI-Plattform: Ich habe eine cloud-agnostische, Kubernetes-native Plattform als Accelerator entworfen und ausgeliefert. Damit wurde das Multi-Tenant-Management von selbst gehosteten LLMs im Enterprise-Maßstab ermöglicht, inklusive gleichzeitiger Bereitstellung mehrerer Basismodelle und dynamischem Serving von LoRA-Adaptoren. Ich habe die Produktionsinfrastruktur mit Open-Source-Tools (ArgoCD, Karpenter, vLLM, SGLang) entworfen, inklusive automatisiertem Modell-Lifecycle-Management, API-Security (Keycloak + LiteLLM) und kostenoptimierter GPU-Bereitstellung.

Entwicklung von KI- und klassischen Modellen zur Analyse von Medizin- und Patientendaten, u. a. Medikationsanalysen, Diagnoseanalysen, Prognosen, Prozeduranalysen, Dosierungsanalysen, Komorbiditätsanalysen, Verordnungsanalysen, Patientenpotenzialanalysen, Überweisungsprofilanalysen, Verordnungsanalysen. Analysen im Bereich Real World Evidence.

• Aufnahme der Kundenanforderungen
• Planung des Teilprojekts
• Konzeption und Definition von KPIs
• Konzeption und Entwicklung von Modellen und Visualisierungen der Ergebnisse mittels Kundendashboards
• Erarbeitung und Umsetzung von DWH-Anpassungen
• Ableitung von Handlungsempfehlungen

Methoden, Technologien: Simulation, Künstliche Intelligenz, Python, R, SQL, Microsoft Power BI, Amazon Web Services, Elasticsearch, PostgreSQL, Databricks, multivariate Statistik

• Es ist wie ein Start-up innerhalb von REWE, wo wir ein neues Forecasting-System auf der Google Cloud Platform von Grund auf aufbauen müssen. Offiziell heißt meine Rolle zwar MLOps, aber zu meinen tatsächlichen Aufgaben gehören auch die Entwicklung von Datenverarbeitungspipelines (Data Engineering) und Aufgaben von Data Scientists wie Feature Engineering und Modelltraining.
• GCP: Terraform (tofu), Vertex AI (Kubeflow), Cloud Run, IAM, Google Cloud Storage, BigQuery, Artifact Registry
• Data Engineering: Snowflake als zentrales Data Warehouse, Terraform, DBT für die Umsetzung von Datenmodellen
• CI/CD: GitLab. Wir haben eine CI/CD-Pipeline aufgebaut, die Deployments neuer Releases bis in die Produktionsumgebung automatisiert

Teilzeitstelle in einem öffentlich geförderten Forschungsprojekt

Ich bin ein erfahrener Data Engineer mit Spezialisierung auf End-to-End Data Integration, Cloud-DWH-Architekturen und hochwertige, gesteuerte Datenprodukte.

Ich habe folgende Projekte und Einsätze als Freelancer umgesetzt.

• Data Migration des CRM-Systems für AL-FA Objekt Service Gmbh
• Microsoft Software Resales Partnership

Ich suche freiberufliche Rollen 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-Patterns, robuste Pipelines, Monitoring/Recovery, Data Lineage & Impact Analysis, Medallion Architecture mit Bronze/Silver/Gold-Layern
• DWH & Cloud: Azure SQL / Data Lake / Synapse, AWS Redshift/S3, on-prem SQL/Oracle – skalierbare Data Marts mit starkem Kosten-Nutzen-Fokus.
• Data Modeling: Atomic (Inmon) und Dimensional (Kimball), Data Vault (Linstedt), Domain-Driven Design, klare Herkunft & Verträge.
• MDM & Governance: Informatica MDM, IBM MDM, Stewardship-Prozesse, Data-Quality-Regeln, Survivorship/XREF, Katalog/Glossar, SIF/BES/REST-Publikation.
• Analytics/BI: Power BI, SSAS, Cognos – geschäftsreife, wartbare Datenprodukte.