Temporal Experten in Deutschland

• Ein vollständiges Thermomanagementsystem für ein Fahrzeug in einer MiL-Simulation entwickelt und validiert, mit 95 % Übereinstimmungsgenauigkeit gegenüber realen Fahrzeugmessungen, was die virtuelle Kalibrierung direkt unterstützt und die Abhängigkeit von physischen Prüfständen reduziert hat.
• Die durchgängige Entwicklung einer Model-in-the-Loop-(MiL)-Simulation mit AVL CruiseM und MATLAB/Simulink geleitet, einschließlich Systemarchitektur, Parametrierung und Validierung.
• Fahrzeug-Sensormessungen (Temperatur, Volumenstrom) mit dSpace MicroAutoBox (HiL) und IPEmotion erfasst und analysiert und die Rohdaten in verwertbare Kalibrierungsinformationen übersetzt.
• Wichtige Aktoren und Thermokomponenten - Pumpen, Ventile, elektrische Heizungen, Wärmetauscher und Kältemittelkreisläufe - kalibriert und optimiert sowie zuvor fehlende physikalische Effekte identifiziert und integriert, um die Lücke zwischen Simulation und realer Fahrzeugleistung zu schließen.
• Einen integrierten Aktorenregler entworfen und abgestimmt, mit präzise kalibrierten Parametern, wodurch ein hochgenaues virtuelles Modell entstand, das für die weitere Entwicklung übernommen wurde.

• Aufbau und Betrieb einer End-to-End-MLOps-Plattform auf Azure ML und Kubernetes (Kubeflow) zur automatisierten Bereitstellung, Überwachung und Skalierung von Forecasting-Modellen (u. a. Temporal Fusion Transformer, Informer, Autoformer).
• Implementierung von CI/CD-Pipelines in Azure DevOps für den vollständigen ML-Lifecycle – von Ressourcbereitstellung (Terraform), Datentransformation (Hugging Face Datasets, Pandas, PyTorch, CUDA-Cluster) über Training und Evaluation bis hin zu Model Registry und Endpoint-Deployment.
• Integration von MLflow für Experiment-Tracking, Modellversionierung, Performance-Monitoring und automatisierte Registrierung in der Azure Model Registry.
• Entwicklung und Containerisierung von PyTorch-Trainingsjobs (Azure Notebook, Jupyter Notebooks) für Preis- und Zeitreihenprognosen (PFC-Modelle) mit automatischem Rollout über Azure ML Endpoints und REST/gRPC-Schnittstellen, Docker-Containerisierung, Absicherung über OAuth 2.0.
• Einrichtung von Monitoring- und Alerting-Mechanismen (Prometheus, MLflow Metrics), Log-Zentralisierung und Kostenüberwachung.
• Automatisierung der Infrastruktur-Bereitstellung und Modellbereitstellung mittels Terraform, Helm und Azure CLI; Anbindung an bestehende Marktdatensysteme und Event-Pipelines.
• Migration bestehender Workloads und Datenbanken (IONOS → Azure, MongoDB) mit Integration in zentrale MLOps-Workflows und interne Netzwerke.
• Erweiterung der Plattform um LLM-basierte Tools (LangChain, LangServe) zur Integration von GPT-basierten Analysemodulen in bestehende Spring-Boot-Dienste für Marktanomalie-Erkennung und automatisierte Reports.
• Analyse, Architektur einer Softwarelösung zur effizienten Verarbeitung von Massendaten (>3000 Nachrichten/Sek.) (Market Data Store).
• Spring Boot / Java 21 Container-Entwicklung mit RabbitMQ zur Verteilung von Börsendaten über MongoDB (Kubernetes) mit Schnellspeicherung von Daten in Redis RMaps, Deduplizierung und Weiterleitung von Nachrichten an Read-Model-Queues, Aufbau von Read Models für die UI-Anzeige in MongoDB.
• Einbindung von RESTHeart zur Erzeugung einer REST API gegen MongoDB.
• Aufbau eines Angular-Frontends zur Vereinfachung der Datenabfrage und Stammdatenpflege.
• Agentic Coding mit remote und local LLM (Claude Sonnet, Ollama Qwen) und MCP-Servern.
• Entwicklung von Python-Skripten zur Transformation und Bereinigung eingehender Börsendaten (Pandas, scikit-learn).

• Entwickelte ein Bewertungsframework für KI-generierte Multiview-Fahrvideos, das für Wahrnehmungs- und Embodied-AI/VLA-bezogene Trainingsworkflows gedacht ist.
• Entwarf automatisierte Prüfungen für zeitliche Kohärenz, Kamerakonsistenz, semantische Korrektheit und geometrische Multiview-Qualität und deckte dabei Ausfallmodi auf, die für autonome Systeme relevant sind.
• Kombinierte klassische Computer Vision, gelernte visuelle Repräsentationen und Vision-Language-Modelle, um komplexe Videoartefakte in messbare technische Signale zu überführen.
• Aufbau wiederholbarer Benchmarking- und Fehleranalyse-Workflows zur Unterstützung von Modellvergleichen, Datenqualitätsentscheidungen und Systemverbesserungs-Diskussionen.

Zerobits ist mein Fahrzeug für KI-gestützte Automatisierung und individuelle Softwareentwicklung mit einem klaren Prinzip: KI-Lösungen, die in die Produktion gehen und nicht nur im Pilotstadium bleiben. Ich entwerfe und baue die Systeme selbst – vom ersten Konzept und der Architektur bis hin zu Implementierung, Deployment und Betrieb.

Mein Fokus liegt darauf, wiederkehrende manuelle Arbeit durch zuverlässige Automatisierung zu ersetzen und getrennte Tools und Datenquellen zu einem belastbaren Gesamtsystem zu verbinden.

Ausgewählte Arbeiten:

• Entwurf und Umsetzung von agentenbasierten Systemen und RAG-Pipelines auf Basis von LLMs (Anthropic Claude, Mistral, MongoDB Atlas Vector Search + RAG)
• Workflow-Orchestrierung für lang laufende, fehlertolerante Geschäftsprozesse mit Temporal (temporal.io): Saga-Patterns, eventgesteuerte Architektur, Retry- und Compensation-Logik, Anbindung von Drittanbieter-APIs und internen Services an automatisierte End-to-End-Prozesse
• Full-Stack-Produktentwicklung: SaaS-Architektur auf Kubernetes, TypeScript/React/NestJS, Admin-Tools mit refine.dev und MUI
• KI-gestützter Entwicklungsworkflow als Standard, um produktionsreife Software in einem Bruchteil der üblichen Zeit zu liefern
• Full-Stack-Produktentwicklung: Multi-Tenant-SaaS-Architektur auf Kubernetes, Backend mit NestJS/Node.js und Python, Frontend mit TypeScript, React und Next.js, Admin-Tools mit refine.dev und MUI, CI/CD mit GitHub Actions

Eines dieser Projekte ist ein Produkt, das ich selbst besitze und betreibe – frei von jeglichen NDA-Beschränkungen. Ich zeige es gerne komplett von Anfang bis Ende.

• Thema: Objekterkennung und semantische Segmentierung für (AUV)-Systeme mit transformerbasierten Vision-Modellen und Sensorfusion.
• Entwicklung und Implementierung einer durchgängigen Multi-Sensor-Fusion-Wahrnehmungspipeline (Kamera, LiDAR, IMU) in ROS
• Entwicklung eines CNN-basierten Machine-Learning-Modells (YOLOv8) und transformerbasierter Vision-Modelle für die Echtzeit-Objekterkennung
• Verarbeitung und Clustering von 3D-LiDAR-Point-Clouds mit DBSCAN, RANSAC und Voxel-Grid-Filtering für eine robuste Objektlokalisierung in verrauschten Umgebungen.
• Entwicklung von Bayesian-Netzwerk-Modellen (GeNle) für probabilistisches Schließen und sensorbasierte Entscheidungsfusion unter Unsicherheit.
• Einsatz von Kalman-Filtering zur Schätzung des Sensorzustands, zeitlichen Ausrichtung und glatten Objektverfolgung, wodurch False Positives in sicherheitskritischen Szenarien reduziert wurden.
• Auswertung der Systemleistung unter realistischen Fahrdynamiken, Verbesserung der Tracking-Stabilität und der Robustheit der gesamten Wahrnehmung.
• Aufbau von Deep-Learning-Pipelines für Training, Validierung und Performancebewertung von Wahrnehmungsmodellen mit Sensordaten.

• Aufbau und Verifikation von Zynq-7000 (Zybo Z7-10) FPGA-Prototypen in Xilinx Vivado – AXI-IP-Integration, Bitstream-Erzeugung, Hardware-Bring-up, Timing-Closure-Prüfungen und waveform-basierte Fehlersuche, um das erwartete RTL-Verhalten zu bestätigen.
• Aufbau von Cadence-Virtuoso-Schematic-/Simulations-Flows und Dokumentation von Einstellungen, Ergebnissen und Methodik für reproduzierbare Experimente – zur Unterstützung von strukturierter Verifikation und Forschungsdokumentation.
• Python-Automatisierung für Log-Parsing, strukturierte Datenberichte und Ergebnisanalysen geschrieben; täglich in versionierten Linux/Git-Workflows gearbeitet.

• Automatisierte Fahreranalyse durch Programmierung zeitlicher Regel-Engines zur Bewertung der Sicherheit beim Spurwechsel, Kopfhaltungskontrollen im Rückspiegel, Blinkerzyklen und Einhaltung von Ampeln und Verkehrszeichen
• Echtzeit-Verkehrszeichenerkennung und mehrstufige Ampelklassifikation synchronisiert mit zeitreihengenauer CAN-Bus-Telemetrie und HD-Karten-Raumprioren zur Bewertung der Verkehrsregelkonformität
• Trainierte und bereitgestellte separate Deep-Learning-Modelle, optimiert für die Innenraumüberwachung und die Außenbereichswahrnehmung
• Verknüpfte Wahrnehmungsausgaben mit kameraintrinsischen Parametern und Horizont-Stabilitätschecks, um unter Annahme einer ebenen Geometrie die 3D-Entfernung von Objekten auf der Bodenebene zu schätzen
• Bereitstellung eines Split-Compute-Edge-Netzwerks über VPN für eine Flotte von 10 Fahrzeugen und Implementierung einer Zero-Allocation-Host-Memory-Pipeline zur Eliminierung der Frame-Akkumulationslatenz (6×21 FPS pro Fahrzeug)

• Entwicklung und Implementierung eines unternehmensweiten Discovery-Frameworks basierend auf Ulwicks Ergebnisgetriebener Innovation; ermöglichte es 7 Product Ownern, unrealisierten Wert systematisch durch eine gemeinsame Ergebnissprache und eine Opportunity-Scoring-Methodik zu identifizieren und zu quantifizieren
• Umwandlung der Product-Owner-Rolle von reinen Backlog-Verwaltern zu strategischen Experimentierern; Einrichtung eines festen Zeitbudgets für autonome Hypothesentests und Discovery-Aktivitäten
• Neugestaltung der Customer Journey Maps, damit sie bei tatsächlichen Nutzerbedürfnissen (Tool-Auswahlphase) beginnen anstatt am Plattform-Einstiegspunkt; Eliminierung manueller Datenaggregationsarbeiten, die zuvor von Projektteams durchgeführt wurden
• Einführung des OKR-Frameworks in 4 Produktteams; Festlegung vierteljährlicher Objectives mit messbaren Key Results (z. B. 40 % Reduzierung des manuellen Integrationsaufwands, Steigerung der Self-Service-Nutzung)
• Vereinheitlichung von 3 separaten Roadmaps durch teamübergreifendes Abhängigkeits-Mapping und gemeinsame Servicevereinbarungen
• Unterstützung des Enterprise-Sales-Zyklus durch ROI-Modellierung und technische Due-Diligence für Automotive- und Verteidigungskunden

• Entwicklung eines Multi-Klassen-Klassifikationsmodells zur Vorhersage der Zusammensetzung von Pflanzen und ihrer räumlichen und zeitlichen Veränderungen anhand von Prädiktoren wie Satellitenbildern, Klimazeitreihen und weiteren Umweltdaten (Landnutzung, menschlicher Einfluss, bioklimatische und Bodenvariablen).
• Entwicklung von Empfehlungssystemen mit Contextual Bandits für eine E-Commerce-Plattform.
• Erstellung von tiefen neuronalen Netzwerkmodellen zur Vorhersage von überschwemmten Gebieten.

• Implementierung eines Network Access Control (NAC)-Sicherheitssystems an 106 Standorten in den USA, Mexiko und drei europäischen Ländern zum Schutz der Einrichtungen vor Cyberangriffen.
• Erneuerung der Basisnetzwerkinfrastruktur in den USA und Mexiko und Wechsel zu einem neuen Hardwareanbieter.
• Optimierung der LAN-, WAN- und WLAN-Infrastruktur, einschließlich Aufteilung der Netzwerktopologie in dedizierte VLAN-Segmente zur Trennung von IT- und OT-Bereichen.
• Erstellung der Projektumfangsdefinition unter Berücksichtigung technischer und organisatorischer Geschäftsanforderungen.
• Integration lokaler IT-Ressourcen und externer Lieferanten zur Erfassung funktionaler, zeitlicher und finanzieller Anforderungen.
• Spezifikation von Arbeitspaketen für die Implementierung des US/EU-NAC-Systems und Modernisierung des US-LAN-Basisnetzwerks.
• Einholung der erforderlichen Genehmigungen für Projektdurchführung und Budgetierung durch den Vorstand.
• Erstellung von Rollout-Plänen, Durchführung von Inventardatenerhebungen, Datenvalidierung und Ausarbeitung detaillierter Projektdefinitionen.
• Entwicklung einer zentralen Projektsteuerungsanwendung.
• Durchführung von Pilotimplementierungen zur Erprobung der entwickelten Lösungen.

• Release / Weiterentwicklung SAP Commerce (2105), Azure DevOps, IntelliJ IDEA
• Design und Entwicklung von neuen Features
• Performance-Optimierung Hybris (SAP Commerce 2105)
• Anpassungen
• Wartung und Support
• Integration Tests und Qualitätssicherung
• Code-Optimierung
• Dokumentation

• Analyse der deutschen Übertragungsnetze mit über 70 % Erneuerbaren-Anteil und Durchführung von N-1-Kontingenzstudien zur Quantifizierung der Netzresilienz.
• Entwicklung von sektorübergreifenden Energiemodellen für Deutschland 2030–2050 mit hoher räumlicher und zeitlicher Auflösung.
• Quantifizierung der technischen und wirtschaftlichen Vorteile von Flexibilitätsmaßnahmen wie Dynamic Line Rating (DLR) oder Demand Side Management (DSM).
• Mitentwicklung und Pflege von eTraGo, einem Open-Source-Python-Tool für techno-ökonomische Netzoptimierung und räumlich-zeitliche Clusterbildung.

• Aufbau des Unternehmens mit Fokus auf Connectivity für IIoT und Industrie 4.0, iRPA/Prozessautomatisierung, Advanced Robotics und Smart Systems, Sensors and Services
• Projektleitung und Software-Architektur für IoT-Gateway-Entwicklung (seit 2020) mit Protokollübersetzung, IT/OT-Konvergenz und GRC
• Entwicklung von RPA-Bots zur Automatisierung und Überwachung industrieller Prozesse mit agentischem AI-Ansatz (seit 2020)
• Implementierung von Unsupervised Clustering und Anomalieanalyse für Zeitreihendaten in BigData-Streaming-Pipelines (seit 2021)
• Einführung eines Docker-basierten Release-Trains für OTA-Updates mit DevSecOps und CI/CD (seit 2018)

• Verantwortlich für Softwareentwicklung und DevOps in der Data & AI Platform – Intake- und PubSub-Projekten bei STACKIT, dem Cloud-Anbieter der Schwarz Gruppe.
• Technologien: Golang, Kubernetes, Kubernetes Operatoren, OpenAPI v3, REST-API, Azure DevOps, CI/CD, k6, Kafka, Strimzi, Apache Iceberg, RBAC, IAM, Terraform, Helm, Infrastrukturautomatisierung, Lastverteilung, Traefik, ArgoCD, kuttl, Kyverno Chainsaw, Kustomize, Velero, Prometheus, Grafana, Checkly / Playwright (TypeScript), NATS/Jetstream, WebSockets, gRPC, SSE