
SQLAlchemy Experten in Deutschland
entwickeln, in wenigen Minuten aus über 15.000 Lebensläufen mithilfe von KI vermitteltBeauftragen Sie Experten, die wartbare ORM-Modelle entwerfen, komplexe Abfragen optimieren und SQLAlchemy in Python-Dienste, Migrationsprozesse und relationale Datenbanken integrieren. FRATCH vermittelt Ihnen schnell und präzise geprüfte, verfügbare Freelancer.
Lerne FRATCH Experten in Deutschland kennen, die kürzlich SQLAlchemy eingesetzt haben
Umut A.
Letzte Position:
Full-Stack-KI-Entwickler bei DB InfraGO AG
Hauptentwickler einer internen Audit-Plattform für IS-Auditoren. Sie führt Maßnahmen aus dem GRC-Tool zusammen mit ihrem Audit- und KI-Prüfstatus in einer gemeinsamen Arbeitsliste zusammen und bewertet sie mithilfe einer KI-Prüf-Pipeline. FastAPI, SQLModel, PostgreSQL und React/TypeScript in einer strikt hexagonalen Architektur.
- Entwarf die hexagonale Architektur (Ports und Adapter): einen frameworkfreien Domänenkern mit austauschbaren Adaptern für die GRC-Datenbank, die RAG- und LLM-Dienste sowie die Persistenz, abgesichert durch Architekturtests und ADRs.
- Entwickelte die asynchrone KI-Prüf-Pipeline (RAG + LLM): lang laufende Ausführungen auf einem persistenten, datenbankgestützten Worker mit den Phasen Indizierung, Abruf, Bewertung und Zusammenführung sowie LLM-Bewertungen, die an ein striktes JSON-Schema gebunden sind.
- Bindete ein Microsoft Fabric Lakehouse schreibgeschützt als maßgebliche Datenquelle ein, mit transaktionaler Synchronisierung der Maßnahmen (Upsert, Archivieren, Reaktivieren).
- Versionierte Berichtsansichtsmodelle, die jedes Ergebnis auf seine Kontrollen, Belegabschnitte und Quellen zurückführen. Die Ergebnisse werden in einer druckbaren, XSS-sicheren Berichtsansicht angezeigt; das Frontend basiert auf React 19, TanStack und shadcn/ui mit einem generierten OpenAPI-Client.
- Implementierte typgeprüfte und getestete Pipelines (mypy, ruff, pytest) und hielt Zugangsdaten für GRC, RAG, Datenbank und LLM aus dem Code heraus.
Danish A.
Letzte Position:
Senior Full-Stack-Entwickler bei Zoi Tech
- Entwicklung von Full-Stack-Anwendungen mit React, Python und PostgreSQL.
- Aufbau KI-gestützter Lösungen mit LLMs, agentischen Workflows und Automatisierungstechnologien.
- Ausbau der Cloud-Engineering-Kenntnisse durch praktische AWS-Entwicklung und Vorbereitung auf die Zertifizierung AWS Certified Developer - Associate.
- Mitwirkung an Architekturgesprächen, Code-Reviews und agilen Softwareentwicklungsprozessen.
Caleb C.
Letzte Position:
Senior Python-Backend-Engineer bei Simon-Kucher
Übertragungsnetzbetreiber – Plattform zur Netzwerkbereitstellung (Teamleitung)
- Entwarf den Saga-Orchestrator in Python, der Netzwerkstrukturen mit Rollback bereitstellt.
- Gliederte IP, Identität und Ressourcenverteilung in Bounded Contexts mit eigenen Datenbanken und typisierten Clients auf.
- Implementierte den Datenzugriff mit DDD-Repositories und Units of Work, ohne SQL im Domänencode.
- Führte Integrationstests mit echten PostgreSQL- und RabbitMQ-Containern sowie API-Fuzzing für jeden Service ein.
- Führte einen Agenten-Workflow ein, bei dem jede Änderung mit einer Spezifikation beginnt und ein Mensch jeden Merge freigibt.
- Rollte die automatische OpenTelemetry-Instrumentierung per GitOps über achtzehn Kubernetes-Cluster aus.
- Leitete die Reaktion auf Vorfälle bei festgefahrener Bereitstellung und hielt jeden Ausfall in einem Post-Mortem fest.
Verwendete Sprachen und Software: Python, FastAPI, Pydantic v2, SQLAlchemy async, PostgreSQL, RabbitMQ, Celery, pytest, testcontainers, schemathesis, Helm, Flux CD, GitLab CI, OpenTelemetry, pi coding agent.
Softwareproduktunternehmen – SaaS für Rechenzentrumssimulation (Backend-Entwicklung)
- Entwickelte als zweitgrößter von mehr als zwanzig Mitwirkenden die asynchrone Simulationspipeline.
- Kennzeichnete jedes Image in den GitHub-Actions-Deploy-Workflows mit Commit-SHA und SemVer.
- Diagnostizierte den RabbitMQ-Speicheralarm, der alle Simulationen zum Stillstand brachte, und korrigierte die Limits im Helm-Chart.
- Stellte die Testsuite auf pytest im Function-Style um und ließ die Testabdeckung in jeder Pipeline ausweisen.
Verwendete Sprachen und Software: Python, FastAPI, SQLAlchemy, Alembic, Celery, RabbitMQ, Redis, PostgreSQL, S3, EKS, Helm, Keycloak, GitHub Actions, pytest, mypy, ruff, SonarQube.
Interne KI-Plattform – Modellbereitstellung und Telemetrie
- Entwickelte den FastAPI-Service, der Open-Weight-Modelle auf GPU-Tiers als OpenAI-kompatible Endpunkte bereitstellt.
- Aktualisierte das EKS-Produktionssystem um zwei Kubernetes-Minor-Versionen und behob zonengebundene Speicherfehler.
- Erfasste jeden Modellaufruf mit Tokenanzahl, Kosten und Latenz über den OpenTelemetry-Operator.
Verwendete Sprachen und Software: Python, FastAPI, vLLM, LangGraph, pydantic-ai, OpenAI- und Anthropic-APIs, EKS, Helm, Flux CD, Terraform, GitLab CI, OpenTelemetry, Grafana.
Yavuz Ö.
Letzte Position:
Full-Stack-Entwickler – praxisnahe Projektarbeit bei Sybarium Limited
Unternehmen aus dem Industriesektor
Projekte während der Umschulung
- Unternehmenswebsite von WordPress auf einen modernen Stack mit Astro und TypeScript neu aufgebaut, deployed auf Vercel (live unter sybarium.vercel.app); Ablösung des Legacy-CMS durch ein schnelleres, wartbares System.
- Seitenladezeit um ~80 % reduziert (von 5 s auf unter 1 s) durch Optimierung, Caching und Asset-Optimierung.
- n8n-Automatisierungs-Workflows entwickelt, die mehrere REST-APIs und interne Systeme integrieren und über 3 Stunden manuelle Arbeit pro Woche einsparen.
Bardiya B.
Letzte Position:
Data Scientist bei Rewe Digital GmbH
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
Peter S.
Letzte Position:
Senior ML Engineer & KI-Forscher bei Kunde anonym
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
Maximilian B.
Letzte Position:
Mitentwickler bei Nikan AI Solutions GmbH
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.
Luis Z.
Letzte Position:
Talent Partner + interner KI-Builder (GTM, DACH/EMEA) bei Lucanet AG
- Ich habe einen internen KI-Recruiting-Assistenten gebaut (Python, LangChain, Claude API) und in den Greenhouse-Workflow des Teams integriert: automatisiertes Candidate Screening, strukturierte Extraktion von Interview-Feedback aus Transkripten und Kommunikation über hochvolumige GTM-Pipelines in DACH/EMEA. Den Bedarf habe ich mit TA-/GTM-Leadership gescoped, das Tool ausgeliefert und die tägliche Nutzung vorangetrieben – genau die Schleife, die ein Forward-Deployed Engineer beim Kunden läuft.
- ATS-Migration von Personio zu Greenhouse für das ganze Team geleitet: Datenmodell, Migration und Team-Adoption.
- Discovery-Intake-Calls geführt und vage Anfragen ("wir brauchen jemanden Senior für Italien") in strukturierte Anforderungen übersetzt – genau der Muskel, den ein Forward-Deployed Engineer für das Scoping eines Customer-Deployments braucht. Über 80 % Offer-Acceptance, ca. 120 % der Quartalsziele. Discovery und Delivery auf EN, DE, ES, FR.
Mukund B.
Letzte Position:
Voice-KI-Chatbot – Echtzeit-Audioassistent
- ▶ Echtzeit-Sprachassistenten entwickelt (STT → LLM → TTS-Pipeline), mehrere STT-Anbieter einschließlich faster-whisper und Azure Speech getestet und bewertet. Latenz von unter 3 Sekunden erreicht, Groq API (Llama 3) mit Multi-Turn-Speicher eingesetzt – einschließlich direkter Behandlung von Sonderfällen bei Diktaten sowie der Erkennung von Namen und Zugangscodes.
Deepak R.
Letzte Position:
Machine Learning Engineer bei go AVA GmbH
- Entwarf und baute eine mandantenfähige Python/Flask-API-Plattform mit JWT- und API-Key-Authentifizierung, berechtigungsbezogenem Zugriff und Service-Orchestrierung als Grundlage für KI-Anwendungen.
- Entwickelte ein multimodales RAG-System mit Hybrid-Chunking, dichten/sparsamen Embeddings, Hybrid-Retrieval, Reranking und Vektorsuche, um fundierte, sehr präzise Antworten über Unternehmensdaten hinweg zu liefern.
- Setzte KI-Workflows produktiv mit Docker, CI/CD, Redis-basiertem asynchronem Job-Tracking, Webhook-Callbacks, Integrationen externer KI-/Medien-Services und Laufzeit-Health-/Reliability-Kontrollen um.
Ibrahim H.
Letzte Position:
Senior Full Stack / KI Engineer bei Punktum Digital GmbH
- Kontext: Teams aus dem Gesundheitswesen und Labor brauchten eine schnellere Dokumentenanalyse, Unterstützung bei der Behandlungsplanung und zuverlässige KI-Workflows für MR-/VR-gestützte Einsätze.
- Beitrag: Ich habe die KI-Plattform für das Gesundheitswesen, Modell-/Agenten-Workflows, die Bereitstellungsplattform für VR-Brillen, REST-APIs, Next.js/React-Oberflächen und CI/CD-Pipelines aufgebaut.
- Auswirkung: Ich habe eine produktionsreife Grundlage für ein KI-Produkt geliefert, die die Prüfung klinischer Dokumente verbessert, Laborautomatisierung unterstützt und die Bereitstellung von VR-Flotten über verschiedene Umgebungen hinweg beherrschbar gemacht hat.
Tech: TypeScript, Next.js, Node.js, React, Java, Spring Boot, Python, PyTorch, TensorFlow, Docker, PostgreSQL, OpenAPI, GitLab, GitHub Actions.
Niko K.
Letzte Position:
Mitgründer & KI-Ingenieur bei KAIKI GmbH
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.
Ajay C.
Letzte Position:
Softwareentwickler & Cloud-KI-Entwickler bei TANGILITY GmbH
Entwicklung Python-basierter KI-Microservices und Integrationen für eine AEC/VR-SaaS-App auf Unity-Basis, mit Schwerpunkt auf LLM/VLM-Funktionen, retrievalgestützten Systemen, RESTful APIs, containerisierter Bereitstellung und einem Automatisierungs-Microservice für die CAD-zu-Unity-Pipeline.
- Entwicklung eines eigenen, auf Hybrid A* basierenden Algorithmus in C#, um Krankenhausszenarien zu simulieren, Konflikte in frühen Entwurfsphasen anhand von Kollisions- und Raumdaten zu erkennen und strukturierte Berichte zu erstellen.
- Lösung und Automatisierung des zeitaufwendigen Problems, CAD-Dateien in nutzbare Unity-Umgebungen umzuwandeln – mit einer speziell entwickelten Echtzeit-Pipeline und einer ZeroMQ-basierten Kommunikationsschicht zur Verteilung von Aufgaben auf mehrere Prozesse und für Echtzeit-Performance.
- Entwicklung einer Docker-basierten FastAPI-Pipeline zur Automatisierung von CAD-zu-Unity-Prozessen, die visuelles Objekt-Matching, Bild-Embeddings und vorab berechnete Metadaten kombiniert, um CAD-Objekte automatisch Unity-Verhaltensskripten zuzuordnen, Eigenschaften zuzuweisen und wiederholte KI-Inferenzaufrufe zu reduzieren.
- Erstellung von Dokumentationen und Beispielen, damit technische Nutzer die KI-Automatisierungspipeline verstehen, konfigurieren und erweitern können.
Jorge M.
Letzte Position:
Technical Lead / Fractional CTO bei Würth GmbH
Ich habe eine KI-gestützte Multi-Tenant-Plattform auf Azure entworfen und entwickelt, die SAP-Prozessaufzeichnungen in technische Dokumentation, Präsentationen und automatisierte Tests umwandelt und dabei über 15.000 Prozessaufzeichnungen für Unternehmenskunden wie Würth verarbeitet. Ich war verantwortlich für die Architektur, die produktiven Releases und das DevOps-Setup. Außerdem habe ich ein Multi-Tenant-System mit SSO und rollenbasierter Zugriffskontrolle auf Azure entworfen. MCP Server mit dynamischer OAuth-Authentifizierung implementiert.
Hauptaufgaben:
- Sprint-Planung und Feature-Vorbereitung
- Design der Multi-Tenant-Plattform-Architektur (FastAPI, SQLAlchemy, PostgreSQL Row-Level Security für Tenant-Isolation)
- Entwicklung von KI-Pipelines mit Prefect für Transkription (Azure Speech API), Dokumentengenerierung und SAP-Screen-Recording-Analyse (Claude, gpt-4-mini)
- Design und Implementierung eines MCP-Servers, um Tenant-Wissen für LLM-Clients (Claude) bereitzustellen, mit asynchronem Retrieval und Reranking
- Implementierung von LLM-Kosten-Tracking, Rate Limiting und Client-Pooling für Anthropic/OpenAI/Azure-OpenAI-Endpunkte
- Einrichtung von CI/CD: Docker-Images in Azure Container Registry, GitHub Actions, Azure Static Web Apps, Alembic-Migrationen in Containern
- Verwaltung von Produktions-Deployments und Durchführung von Live-Datenmigrationen für Unternehmenskunden
- Definition von Engineering-Standards und Architekturmustern für das Team
Umgebung: Azure / Azure Foundry / Python / FastAPI / Prefect / React / PostgreSQL
Ljubomir O.
Letzte Position:
Senior Software Test Ingenieur bei Keil KTM GmbH
Arbeitnehmerüberlassung
- System-Black-Box-Integrationstests (BBIT, IVVQ): Durchführung von Regressions-, Freigabe-, Bestätigungs- und Konformitätstests für sicherheitskritische Bremssteuergeräte in Bahnindustrie
- Softwaretest-Applikation & Integration: Runtime-Konfiguration von Software-Komponenten und Bibliotheken, Validierung von Schnittstellen, Konfigurationsabhängigkeiten und Komponenteninteraktionen
- Testautomatisierung (FEAT-Framework): Mitentwicklung und Weiterentwicklung eines automatisierten Testframeworks für Testausführung, Reporting und Ergebnisanalyse
- Funktionale Sicherheit (SiL4, FuSi): Sicherstellung der Einhaltung von Sicherheitsanforderungen, Traceability und Coverage sowie Normkonformität gemäß EN50126/28/29
- Testautomatisierung für Kommunikationskomponenten: Konfiguration und Validierung der Feldbus-(CAN) und Ethernet-basierten TCMS Datenkommunikation-Schnittstellen (TRDP und CIP)
- Anforderungsanalyse & Shift-Left (PTC Windchill ALM): Analyse von Software- und Systemartefakten zur Identifikation von Lücken, Mehrdeutigkeiten und Redundanzen im frühen SDLC
- Testdesign & Testfallentwicklung: Ableitung von Testbedingungen, Abdeckungsstrategien und Implementierung datengetriebener Testfälle (DDT) inkl. wiederverwendbarer Testdaten-Fixtures
- CI/CD & Automatisierung (Python, PowerShell, Jenkins, SVN): Automatisierung von Build-, Test- und HIL-Deployment-Prozessen sowie Integration in CI/CD-Pipelines
- Testdaten & Konfigurationsmanagement (XML): Pflege und Anpassung von XML-Testvektoren und Systemkonfigurationen mit automatisierter Integration in Testumgebungen
- Nicht-funktionales Testen: Durchführung von Performance- und Lasttests zur Bewertung von Stabilität und Systemverhalten
- Agile Entwicklung & Defect Management (JIRA, Confluence): Mitarbeit in Scrum-Teams, Testkoordination, Review von Testartefakten sowie Defect Tracking und Root-Cause-Analyse
- Fehleranalyse & Debugging (CANoe, CANalyzer): Analyse von Fehlern und Nachrichtenflüssen über mehrere Systemebenen (Applikation bis Bus)
- Modellbasierte Analyse (UML, Enterprise Architect): Spezifikation von SUT/SOW und Unterstützung der systematischen Teststeuerung
- Prozess- & Testdokumentation: Erstellung von Integrations- und Testdokumentation gemäß internen Qualitäts- und Zertifizierungsanforderungen
Entdecke mehr als 15.000 Top-Freelancer
Statistiken von Experten, die SQLAlchemy einsetzen
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
16 Jahre

Positionsdauer
2,2 Jahre

Positionen pro Freelancer
11

Häufigste Fachbereiche
Informationstechnologie (IT), Produktentwicklung, Business Intelligence

Häufigste Branchen
Informationstechnologie (IT), Automotive, Bildung

Fokus der Zertifizierungen
Informationstechnologie (IT), Projektmanagement, Qualitätssicherung
Bachelor-Abschluss oder höher
93%
Master-Abschluss oder höher
78%
Doktortitel
20%

Zertifizierungen pro Freelancer
3

Häufigste Sprachen
Deutsch, Englisch, Spanisch

Sprechen zwei oder mehr Sprachen
100%
Basierend auf unserem Profilpool, Stand 20 Nov 2026.
Tagessatzverteilung
Das Diagramm zeigt, wie sich die Tagessätze der Experten in dieser Technologie in Deutschland verteilen, basierend auf aktuellen Verträgen auf unserer Plattform. Jeder Balken deckt eine Tagessatzspanne ab – seine Höhe zeigt, welcher Anteil der Experten innerhalb dieser Spanne abrechnet.
Durchschnittssätze von Experten in Deutschland, die SQLAlchemy einsetzen
Die Tagessätze basieren auf aktuellen Verträgen und enthalten keinen FRATCH-Aufschlag.
Der durchschnittliche Tagessatz ist der Mittelwert aller Tagessätze aus aktuellen Verträgen vergleichbarer Freelancer auf unserer Plattform.
Der Median-Tagessatz ist der mittlere Wert aller Tagessätze – die Hälfte der vergleichbaren Freelancer verlangt weniger, die andere Hälfte mehr. Anders als der Durchschnitt wird er von Ausreißern kaum beeinflusst.
Berechnet auf Basis der Tagessätze unserer Freelancer, Stand 20 Nov 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Branchenfokus der SQLAlchemy Experten
Sieh, in welchen Branchen unsere gematchten Freelancer am häufigsten tätig sind — jede Zahl wird live aus den Freelancern auf FRATCH berechnet.
- Informationstechnologie (IT) (92%)
- Automotive (45%)
- Bildung (45%)
- Bank- und Finanzwesen (35%)
- Fertigung (35%)
- Gesundheitswesen (31%)
- Professionelle Dienstleistungen (29%)
- Einzelhandel (25%)
Bitte beachte, dass Freelancer in mehreren Branchen tätig sein können, daher überschneiden sich die Prozentwerte.
Über die Technologie
Grundlagen für Python-Datenbanken
SQLAlchemy ist ein Python-Toolkit für die Arbeit mit relationalen Datenbanken. Die Core-Ausdruckssprache unterstützt die explizite Erstellung von SQL, während das ORM Python-Objekte auf Tabellen und Beziehungen abbildet. Teams nutzen es, um robuste Datenzugriffsschichten für APIs, Geschäftsanwendungen und Hintergrunddienste zu entwickeln.
ORM- und Abfragedesign
Leistungsfähige SQLAlchemy-Implementierungen verbinden ausdrucksstarke Modelle mit klarer Kontrolle über das erzeugte SQL. Experten definieren Beziehungen, Transaktionen, Sitzungsverwaltung und Ladestrategien, ohne wichtige Datenbankverhalten zu verbergen. Außerdem strukturieren sie Repositories und Service-Grenzen so, dass der Datenzugriff auch bei wachsender Anwendung testbar bleibt.
- Tabellen, Beziehungen und Einschränkungen modellieren
- Lesbare Core- und ORM-Abfragen erstellen
- Sitzungen, Transaktionen und Verbindungspools verwalten
- Langsamen oder ineffizienten Datenbankzugriff diagnostizieren
Datenbanken und Werkzeuge
SQLAlchemy funktioniert über geeignete Treiber mit weit verbreiteten relationalen Systemen wie PostgreSQL, MySQL, MariaDB, SQLite und Microsoft SQL Server. Fachleute kombinieren es häufig mit Alembic für Schema-Migrationen, pytest für Datenbanktests und Webframeworks wie FastAPI oder Flask. Asynchroner Datenbankzugriff erfordert eine sorgfältige Abstimmung zwischen SQLAlchemy, dem Treiber und der Laufzeitumgebung der Anwendung.
Wo Unternehmen es einsetzen
Unternehmen holen sich SQLAlchemy-Expertise für neue Python-Dienste, die Modernisierung bestehender Systeme und datenintensive Produktarbeit. Es kommt in internen Plattformen, Handelssystemen, Logistiksoftware, Finanzanwendungen und industriellen Lösungen zum Einsatz, auch bei Teams in ganz Deutschland. Unterstützung durch Freelancer ist hilfreich, wenn das Datenbankverhalten die Entwicklung verlangsamt oder ein bestehendes Modell sicher neu gestaltet werden muss.
- Eine Datenbankschicht für eine neue API erstellen
- Fehleranfällige Modelle und Abfragecode überarbeiten
- Migrationen für sich weiterentwickelnde Schemata vorbereiten
- Transaktions- und Nebenläufigkeitsverhalten verbessern
Wann externe Expertise hilft
Ein Spezialist kann eine bestehende Codebasis prüfen, das Anwendungsverhalten der Datenbank zuordnen und Risiken vor einer Migration oder Veröffentlichung erkennen. Unternehmen beauftragen freiberufliche Fachkräfte außerdem, wenn sie kurzfristig Kapazität für die Optimierung von Abfragen, die Einführung asynchroner Verarbeitung, eine bessere Testabdeckung oder den Wechsel zu PostgreSQL benötigen. Die Zusammenarbeit aus der Ferne funktioniert gut, wenn Dokumentation, Zugriffsregeln und technische Entscheidungen klar organisiert sind; Arbeit vor Ort kann bei einer engen Plattformintegration hilfreich sein.
Was starke Spezialisten liefern
Suchen Sie nach Fachleuten, die sowohl das Python-Design als auch das Verhalten relationaler Datenbanken erklären können. Sie sollten mit der Analyse von Ausführungsplänen, dem Umgang mit Transaktionen, der Auswahl von Ladestrategien und dem Testen von Migrationen mit realistischen Daten vertraut sein. Qualität zeigt sich in klaren Grenzen, einer vorhersehbaren Sitzungsnutzung, sicherer Parameterverarbeitung und einer Dokumentation, die dem internen Team hilft, das Ergebnis nach der Übergabe zu warten.
Häufig gestellte Fragen
Was Kunden uns zu SQLAlchemy am häufigsten fragen – kurz beantwortet.
SQLAlchemy verbindet Python-Anwendungen über eine SQL-Ausdruckssprache und einen objektrelationalen Mapper mit relationalen Datenbanken. Unternehmen nutzen es für Datenmodelle, Abfragen, Transaktionen, Migrationen und den Datenbankzugriff in APIs, Diensten und Geschäftsanwendungen.
SQLAlchemy bietet wiederverwendbare Python-Ausdrücke und ORM-Mapping und ermöglicht zugleich eine detaillierte Kontrolle über SQL. Reines SQL kann bei hochspezialisierten Abfragen die klarere Wahl sein, aber SQLAlchemy hilft Teams, Parameter, Beziehungen, Transaktionen und Datenbankzugriffe konsistent zu strukturieren.
Ein guter SQLAlchemy-Spezialist versteht in der Regel das Design von Python-Anwendungen, relationale Modellierung, Indizierung und Transaktionsverhalten. Nützliche angrenzende Kenntnisse umfassen PostgreSQL oder eine andere Zieldatenbank, Alembic-Migrationen, pytest, Docker und ein Framework wie FastAPI oder Flask.
Das passende Niveau hängt von der Aufgabe ab, nicht von einer festen Anzahl an Jahren. Für einen einfachen Dienst können solide ORM- und Testerfahrungen ausreichen; Migrationen, Leistungsprobleme und nebenläufigkeitssensible Systeme erfordern jemanden, der Ausführungspläne prüfen und das Datenbankverhalten nachvollziehen kann.
Arbeiten mit SQLAlchemy eignen sich häufig für die Zusammenarbeit aus der Ferne, da Modelle, Abfragen und Migrationen in der Versionsverwaltung geprüft werden können. Teams in Deutschland sollten Anforderungen an Zugriffe, Dokumentationsstandards und Kommunikationssprache früh festlegen, insbesondere wenn die Arbeit sensible Geschäftsdaten betrifft.
SQLAlchemy eignet sich besonders, wenn ein Team ausgereiften Zugriff auf relationale Datenbanken, flexible Abfrageerstellung und ein ORM benötigt, das von einfachen Modellen bis zu komplexen Domänen skalieren kann. Ein leichterer Data Mapper oder ein direkter Treiber kann für einen kleinen Dienst passend sein, während spezialisierte Analyseaufgaben möglicherweise einen anderen Ansatz erfordern.
Prüfen Sie, ob die SQLAlchemy-Implementierung klare Modellgrenzen, einen sicheren Umgang mit Transaktionen und Tests aufweist, die reales Datenbankverhalten abbilden. Bitten Sie den Fachmann, erzeugte Abfragen, Ladequellen, Migrationsrisiken und die Konfiguration des Verbindungspools zu erklären.
Freelancer, die mit SQLAlchemy arbeiten, beschäftigen sich häufig mit veralteten Modellen, unklarer Zuständigkeit für Sitzungen, ineffizientem Laden von Beziehungen und Migrationen, die bestehende Live-Daten bewahren müssen. Sie müssen das ORM-Verhalten an die bestehende Datenbank anpassen, statt die Modellebene als Ersatz für Datenbankdesign zu behandeln.
Der durchschnittliche Stundensatz von Freelancern in Deutschland, die SQLAlchemy in ihren letzten Projekten eingesetzt haben, liegt bei 93 €, was einem Tagessatz von etwa 746 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern in Deutschland, die SQLAlchemy in ihren letzten Projekten eingesetzt haben, haben 93% mindestens einen Bachelor-Abschluss, 78% mindestens einen Master-Abschluss und 20% einen Doktortitel.
Freelancer in Deutschland, die SQLAlchemy in ihren letzten Projekten eingesetzt haben, haben im Durchschnitt 16 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 2,2 Jahre.
Die häufigsten Sprachen unter Freelancern in Deutschland, die SQLAlchemy in ihren letzten Projekten eingesetzt haben, sind Deutsch (100%), Englisch (100%) und Spanisch (18%).
Die häufigsten Industrien unter Freelancern in Deutschland, die SQLAlchemy in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (92%), Automotive (45%) und Bildung (45%).
Die häufigsten Bereiche unter Freelancern in Deutschland, die SQLAlchemy in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (96%), Produktentwicklung (94%) und Business Intelligence (61%).
Hauptstandorte der FRATCH Experten, die kürzlich SQLAlchemy eingesetzt haben
Unsere Freelancer und Interim-Experten sind in der gesamten DACH-Region zuhause — verfügbar vor Ort in den wichtigsten Wirtschaftszentren oder komplett remote. Wähle einen Standort und entdecke passende Spezialisten, lokale Markteinblicke und aktuelle Verfügbarkeiten.
Kostenlose Demo vereinbaren
Kontaktiere uns und das FRATCH-Team meldet sich innerhalb von 4 Stunden bei dir.
Möchtest du lieber direkt mit uns in Kontakt treten?
Wir haben immer Zeit für einen Anruf oder eine E-Mail!

Berlin
München