Redis-Experten in Deutschland

Ich habe eine Self-Service-AWS-Plattform für Data-Science-Teams mit wenig oder keiner Erfahrung mit Infrastructure as Code entworfen und entwickelt. Ein Team schreibt etwa 10 Zeilen Python und erhält einen bereitstellbaren Stack mit vollständigem SDLC-Release-Zyklus, der bereits den Governance-Regeln folgt. Netzwerk, Verschlüsselung, IAM und Tagging werden von der Plattform festgelegt, nicht von jedem einzelnen Team.

Neue Teams oder AWS-Konten werden mit einem Pull Request eingebunden. Die Vermeidung von Verschwendung und die Kostenkontrolle sind standardmäßig integriert: Data Scientists benötigen keine Infrastrukturkenntnisse.

• Construct-Bibliothek (AWS CDK, Python). Aufbau eines versionierten Katalogs mit etwa 20 gehärteten Constructs für den Einsatz in Data-Science-Projekten mit ML-Kontext
• Governance as Code
• Multi-Account, Multi-Tenant
• Scaffolding für den Golden Path
• CI/CD und Supply Chain. Erstellung wiederverwendbarer GitHub-Actions-Workflows
• Release Engineering
• Qualitätssicherung mit E2E-, Contract- und Unit-Tests bei jedem Release Candidate

Leitung der durchgängigen Integrations- und Migrationsarchitektur für die Stilllegung der SAP-IS-U-Marktkommunikation und den Übergang zu Salesforce Marketing Cloud (SFMC) mit E.ON IT Services — einschließlich regulierter EDIFACT-Marktnachrichten, einer dreiphasigen Datenmigration (Übernahme Marktnachrichtenbestand nach Cutover), der Neugestaltung der Marktkommunikationsprozesse sowie der vollständigen Einhaltung der DSGVO und der deutschen Energiemarktanforderungen.

• Entwicklung der dreistufigen Zielarchitektur (SAP IS-U → NScale B2B gateway → SFMC) zur Verarbeitung von 50.000–100.000 EDIFACT-Nachrichten täglich innerhalb von SLAs unter 5 Minuten.
• Konzeption der dreiphasigen Datenmigration: 36 Monate historische Daten, verlustfreier Cutover laufender Marktnachrichten und nahezu Echtzeit-CDC-Synchronisierung.
• Umsetzung einer sicheren, BDEW-/DSGVO-konformen Integration (AS2/OFTP2, RFC/IDoc, REST APIs, OAuth 2.0, Azure AD, AWS S3) mit >99.5% Verfügbarkeit, <0.1% Migrationsabweichung und RTO <4 Stunden.
• Einsatz von BPMN zur Modellierung und Optimierung der Marktkommunikationsprozesse.

Technologien: SAP IS-U, NScale, Salesforce Marketing Cloud, EDIFACT, OAuth 2.0, Azure AD, AWS S3, BPMN, Jira, Confluence, Draw.io

Produkt:

• Eine produktionsreife KI-Plattform entwickelt, die anhand von Produktdaten, Nutzeranforderungen und hochgeladenen Medien markengerechte Marketingbilder und -videos erstellt.
• Verantwortlich für Plattformarchitektur, technische Roadmap, API-Design, Sicherheit, Deployment-Abläufe, betriebliche Zuverlässigkeit und Strategie für Modellanbieter.
• Die Kernplattform mit .NET entwickelt und unterstützende KI- und Workflow-Prototypen in Python erstellt. Dabei sprachunabhängige API-Verträge und strukturierte Schnittstellen zwischen Services und Modellanbietern eingesetzt.
• Zuverlässige Hintergrundverarbeitung mit RabbitMQ, gespeichertem Workflow-Zustand, idempotenter Verarbeitung, Wiederholungsversuchen, Fehlerbehebung, Logging, sicherer Speicherung, Autorisierung und Abrechnung von Credits umgesetzt.
• Pragmatische Entscheidungen zu Eigenentwicklung oder Zukauf sowie zum Routing von Modellen getroffen, basierend auf Zuverlässigkeit, Latenz, Kosten und Wartbarkeit statt auf Neuheit.

Agenten-Orchestrierung & RAG-Systeme

• Agenten-Workflows mit Microsoft Agent Framework, LangGraph und LangChain entwickelt und verglichen, darunter Tool-Nutzung, bedingte Weiterleitung, Klärungsschritte, Zustandsverwaltung und Übergaben zwischen Agenten.
• Wiederverwendbare .NET-Komponenten für Agenten, Prompts, Tools, Modellanbieter, strukturierte Antworten und Retrieval mit pyvector implementiert. So lassen sich KI-Anbieter einfacher wechseln, ohne den Kern-Workflow neu zu schreiben.

• Planung und Entwicklung einer CPU-Überwachungsanwendung zur Überwachung der Systemleistung und Ressourcennutzung.
• Entwicklung und Implementierung eines Spring-Boot-Backends mit REST-API zur Verarbeitung und Bereitstellung von Überwachungsdaten.
• Entwicklung des React-Frontends zur übersichtlichen und benutzerfreundlichen Darstellung der Überwachungsinformationen.
• Integration von PostgreSQL zur dauerhaften Speicherung und Verwaltung der Anwendungsdaten.
• Containerisierung der Anwendung und ihrer Dienste mit Docker Compose.
• Automatisierung der Bereitstellung und des Deployments der Infrastruktur mit Terraform auf AWS.
• Strukturierung der Anwendung als modernes, wartbares System mit REST-basierter Kommunikation zwischen Frontend und Backend.
• Entwicklung einer sicheren, skalierbaren CPU-Überwachungsarchitektur (cpu-watcher) mit einer eigenen Collector-Anwendung, die Überwachungsdaten an das Backend überträgt und dadurch den direkten Zugriff auf Systemressourcen reduziert.
• Entwicklung einer sicheren Cloud-Infrastruktur mit isolierter Datenbank in einem privaten Netzwerk und OIDC-basierter Authentifizierung.
• Implementierung von Infrastructure as Code mit Terraform und Integration versionskontrollierter CI/CD-Pipelines zur Automatisierung von Tests, Infrastrukturänderungen und Anwendungsbereitstellungen.
• Entwicklung und Implementierung der Architektur zur Frontend-Bereitstellung mit AWS CloudFront.

Stack: Spring Boot · React · PostgreSQL · REST API · Docker Compose · Terraform · AWS

• Entwicklung einer agentengestützten Governance-Plattform zur automatisierten Sicherstellung der EU AI Act-Konformität sowie der ODA-konformen Orchestrierung von KI-Services in komplexen Enterprise-Umgebungen.

• Design und Implementierung eines agentenbasierten "Mission Control"-Frameworks (Aletheia Conductor) zur autonomen Zustandsüberwachung und Prozesssteuerung.

• Entwicklung von "Compliance-as-Code" (CaC)-Lösungen basierend auf OPA/Rego zur systemweiten Durchsetzung regulatorischer Leitplanken.

• Integration von TM Forum ODA-Standards (TMF630, TMF622, TMF642) zur Gewährleistung der Interoperabilität und Standardisierung.

• Aufbau einer hochverfügbaren Event-Driven Architecture mittels Redpanda und CloudEvents v1.0 zur echtzeitnahen Event-Verarbeitung.

• Implementierung einer revisionssicheren "Evidence Chain" durch kryptographische Verkettung von Trace-Logs zur Vorbereitung automatisierter Audits.

• Tech Stack: Java 21 (Quarkus Native), TypeScript (Next.js), Redpanda (Kafka API), CloudEvents v1.0, OPA (Open Policy Agent) & Rego, TimescaleDB, ZincSearch, Redis, TM Forum ODA, Git, GitHub, Clean Code Development, Like-C4.

Aufbau einer internationalen E-Commerce-Plattform für einen Multi-Vendor-Marktplatz für digitale Assets von Grund auf. Konzeption und Betrieb von Cloud-Native-Architekturen im Enterprise-Maßstab.

• Konzeption und Betrieb einer hochskalierbaren Microservice- und Serverless-Architektur
• Aufbau der gesamten Cloud-Infrastruktur mit Terraform + AWS CDK in AWS
• Bereitstellung von ECS/EKS-Clustern (Fargate), Application Load Balancern (Reverse Proxy) und Lambda Functions
• Observability & Tracing mit CloudWatch, DataDog, Prometheus & Grafana
• Ganzheitliches Setup aus DataDog (vorher AWS CloudWatch), Prometheus und individuellen Grafana-Dashboards
• Integration von Advanced Metrics (u.a. ORM-Mapper) und Distributed Tracing mit Jaeger
• Robuste Backup- und Disaster-Recovery-Strategien
• RDS-Postgres-Backups und stündliche Snapshots
• Schreibgeschützte, asynchron synchronisierte Replikate mit automatischem Master-Failover im Notfall
• Rollback-Fähigkeit innerhalb von Minuten über versionierte Docker-Images auf ECS und Git-gestützte CI/CD-Pipelines
• Erstellung von CI/CD-Pipelines mit GitHub Actions für automatisierte Multi-Stage-Deployments (Dev, Testing, Prod)
• Integration von Stripe zur Abwicklung des internationalen Zahlungsverkehrs
• Aufbau eines Marktplatz-Payment-Systems mit mehreren Parteien und Auszahlungsroutinen
• Einsatz von Algolia für hochperformante Echtzeitsuche nach digitalen Assets auf der Plattform
• Föderation von Services mit GraphQL und Hasura
• Spätere Migration auf GraphQL Mesh
• Test Driven Development (TDD) - Unit-, Integrations- & E2E-Testing mit Jest, Vitest und Playwright
• Einsatz von Next.js / React für moderne Frontend-Anwendungen im nx Monorepo
• Enterprise-Security-Architektur & Access Control
• Integration von JWT-Token mit Auth0, OAuth, OIDC, IP Guards, BOLA Protection und Secret Vaults
• Autorisierungskonzepte über RBAC, ABAC sowie native Postgres Row-Level-Security (RLS)
• Erstellung von internen Microfrontends mit Retool für schnelles Prototyping und operative Fachbereichsprozesse

Technologien: ABAC, AWS CDK, AWS CloudWatch, AWS ECS, AWS EKS, AWS Fargate, AWS RDS, AWS S3, Algolia, Auth0, DataDog, Docker, GitHub Actions, Grafana, GraphQL, GraphQL Mesh, Hasura, JWT, Jaeger, Java, JavaScript, Jest, Kotlin, Kubernetes, Monorepo, Next.js, OIDC, Playwright, Postgres, Postgres RLS, Prometheus, RBAC, Redis, Retool, Serverless, Stripe, Terraform, TypeScript, Vitest

• Opt-in-RAG-Erweiterung über mandanteneigene Datenquellen (SharePoint, Confluence) auf einer bestehenden mandantenfähigen Enterprise-KI-Plattform
• Architektur: ADRs, Lösungsbewertungen, Berechtigungsstrategie, Kostenmodellierung
• End-to-End-SharePoint- und Confluence-Konnektoren: OAuth-Zustimmungsabläufe, Token-Erneuerung, Metadatensynchronisierung, Suchintegration
• Berechtigungsauflösung: ACL-Indizierung bei der Datenaufnahme und Überprüfung zum Abfragezeitpunkt (Dokumentensicherheit)
• Hybride Elasticsearch-Suche (semantisch + Keyword) mit RRF-Bewertung
• RAG-Chat mit Kontextinjektion und Quellenangaben
• Stack: Elastic Cloud, Elasticsearch, Docker, Northflank, Next.js, React, TypeScript, Prisma, Microsoft Graph API, Atlassian REST API, OAuth 2.0

• Arbeitete als freiberuflicher Senior DevOps Consultant vor Ort für IBM bei einer Agentur der Europäischen Union in einer hochsicheren, air-gapped Umgebung mit klassifizierten Systemen.
• Leitete Automatisierungs- und DevOps-Initiativen für eine große OpenShift-Plattform (>400 Nodes) und trieb die Deployment-Effizienz, GitOps-Einführung und operative Automatisierung mit Ansible, Python und Bash voran, während die Sicherheitsanforderungen eingehalten wurden.
• Übernahm die Automatisierung von Release- und Deployment-Workflows in einer Private-Cloud-Umgebung mit 400+ OpenShift-Nodes und verbesserte dadurch die Deployment-Geschwindigkeit und Zuverlässigkeit deutlich.
• Migrierte bestehende Playbooks, Rollen und Templates von Ansible Tower zu Ansible Automation Platform (AAP), stellte die vollständige Einhaltung von Fully Qualified Collection Names (FQCN) sicher und bereitete eigene Execution Environments (EE) für containerisierte Automatisierung vor.
• Implementierte den GitOps-Agent für AAP Controller Configuration as Code und ermöglichte damit die automatische Synchronisierung (CRUD) von Ansible-Controller-Objekten auf Basis von im Repository gespeicherten Konfigurationsdefinitionen über GitHub-Webhooks.
• Entwarf und automatisierte komplexe mehrstufige Betriebsabläufe, darunter Environment Cleanup, die Neuerstellung von Helix-Clusterkomponenten, Kafka-Topic-Management und das Lifecycle-Management von OpenShift-Objekten über rund 100 Umgebungen hinweg.
• Erreichte durch Automatisierungsverbesserungen über mehrere AAP-Cluster und OpenShift-Umgebungen hinweg eine Reduzierung von mehrtägigen manuellen Tätigkeiten auf weniger als wenige Stunden.
• Integrierte Ansible Automation Platform über ein Lookup-Plugin mit Thycotic (Delinea) Secret Server, um das sichere Credential-Management in automatisierten Prozessen zu verbessern.
• Verwaltete Deployment-Aufgaben, Platform-Troubleshooting und Istio-Netzwerkkonfigurationen unter Einhaltung strenger EU-PSC-Sicherheits- und Compliance-Standards.
• Arbeitete mit Infrastruktur- und Anwendungsteams zusammen, um Deployment-Prozesse zu verfeinern, Namenskonventionen zu entwickeln und die Automatisierungsabdeckung in einer air-gapped, klassifizierten Umgebung kontinuierlich zu verbessern.

• 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

Multi-Agenten-Plattform zur Dokumentenerstellung

Problem:

Aus einem einzelnen Prompt ein gut recherchiertes, strukturiertes und mit Quellen belegtes Dokument erstellen und dabei die Kontrolle beim Nutzer belassen: Jeder Schritt kann geprüft, korrigiert oder erneut aufgerufen werden, bevor das System fortfährt.

Architektur:

Ein Multi-Agenten-System, das von einer zentralen Steuerung koordiniert wird. Mehr als 20 spezialisierte pydantic-ai-Subagenten (Verstehen, Strukturieren, Planen, Recherchieren, Schreiben, Zusammenstellen, Querverweise prüfen, Glossar, Zitate, Referenztabelle und mehr) geben Ergebnisse anhand eines gemeinsamen, in Postgres gespeicherten Plans (asyncpg) weiter. Eine Runner-Schicht weist jede Aufgabe anhand ihres Namens einem Agenten zu. Mechanische Schritte wie Formatierung, Inhaltsverzeichnis und Abbildungsverzeichnis werden durch deterministischen Code statt durch LLM-Aufrufe erledigt. Der Anbieter (Anthropic oder OpenAI) wird über eine Konfiguration festgelegt, und Antworten werden über Server-Sent Events gestreamt.

Hosting & Infrastruktur:

Ein zustandsloser Container läuft als Scaleway Serverless Container in einem privaten Netzwerk mit verwaltetem PostgreSQL, Objektspeicher für fertige Dokumente und Assets sowie zentraler Protokollübertragung (Loki / Scaleway Cockpit). Bereitstellung mit OpenTofu-Modulen und Deployment über GitLab CI; die Nutzung wird pro API-Schlüssel abgerechnet.

Mein Beitrag und wichtige Entscheidungen:

• Zentrale Entscheidungssteuerung: Ein Zufriedenheitsklassifikator wandelt die Freitext-Rückmeldung des Nutzers in eine Entscheidung um (weiterarbeiten, fortfahren, abbrechen oder eine frühere Aufgabe überarbeiten). Eine Middleware wendet sie auf den Plan an. Der Plan kann zu früheren Aufgaben zurückspringen und die darauffolgenden Schritte erneut ausführen.
• Parallele Recherche und Texterstellung: Die Planung erstellt einen Plan, aus dem ein Recherche-Design-Agent einzelne Rechercheaufgaben und ein Schreib-Design-Agent einzelne Schreibaufgaben erstellt, die jeweils mit der benötigten Recherche verknüpft sind. Jede Aufgabe wird in einem eigenen Agenten mit eigenem Gesprächsverlauf ausgeführt.
• Selbstprüfung und Einbindung des Menschen: Nach jedem Schritt prüft ein Agent für kritisches Denken das Ergebnis. Bevor der Plan fortgesetzt wird, kann der Nutzer eine Kritik annehmen, überarbeiten oder Fragen dazu stellen.
• MCP-Integrationen: Zwei entfernte MCP-Server für die Websuche und die interne Dokumentensuche sind über pydantic-ai angebunden, mit Wiederholungsversuchen und Timeouts für lang laufende Tool-Aufrufe. Klassifikator-Agenten entscheiden für jede Aufgabe, ob eine Websuche nötig ist. Ein kleines Modell fasst rohe Suchergebnisse zu strukturierten Erkenntnissen zusammen, bevor sie die Schreibagenten erreichen.

Nutzungsabrechnung:

Kunden authentifizieren sich mit einem API-Schlüssel, der über einen Schlüsselverwaltungsdienst geprüft wird. Der Verbrauch wird in Credits abgerechnet, berechnet anhand der Token-Nutzung pro Modell zuzüglich eines Aufschlags. Bei ausgeschöpftem Kontingent wird HTTP 429 zurückgegeben.

• 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

• 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

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

Weiterentwicklung einer Softwarelösung zur Verwaltung von Prüfanträgen und Prüfmitteilungen nach §106d SGB V für die Kassenärztliche Vereinigung Hamburg.

• Entwicklung zahlreicher Features, Performance-Optimierungen, Refactoring, Fehleranalyse
• Refactoring des Dev-Container-Setups
• Optimierung der Gitlab-CI Build-Pipeline
• Einbringung von Optimierungen im Team-Workflow