Text-to-Speech Experten in Deutschland

Entwickelte Python-basierte KI-Microservices und Integrationen für eine AEC/VR-SaaS-App auf Unity-Basis, mit Fokus auf LLM-/VLM-Funktionen, retrieval-gestützte Systeme, RESTful APIs, containerisierte Bereitstellung und einen Automatisierungs-Microservice für die CAD-zu-Unity-Pipeline.

• Entwickelte einen eigenen Hybrid-A*-Algorithmus in C#, um Hospitalszenarien zu simulieren und frühe Designkonflikte anhand von Kollisions- und Raumdaten zu erkennen sowie strukturierte Berichte zu erzeugen.
• Löste und automatisierte das zeitaufwändige Problem, CAD-Dateien in nutzbare Unity-Umgebungen zu überführen, mit einer eigens entwickelten Echtzeit-Pipeline und einer ZeroMQ-basierten Kommunikationsebene, um Lasten auf mehrere Prozesse zu verteilen und Echtzeitfähigkeit zu erreichen.
• Entwickelte eine Docker-basierte FastAPI-Pipeline für die CAD-zu-Unity-Automatisierung, die bildbasierte Objekterkennung, Image Embeddings und vorab berechnete Metadaten kombiniert, um CAD-Objekte automatisch Unity-Verhaltensskripten zuzuordnen, Eigenschaften zu setzen und wiederholte KI-Inferenzaufrufe zu reduzieren.
• Erstellte Dokumentation und Beispiele, um technischen Nutzern zu helfen, die KI-Automatisierungspipeline zu verstehen, zu konfigurieren und zu erweitern.

• Von Experten betreute KI-Systeme für wissenschaftliches Schlussfolgern, Modellevaluation und Forschungs-Workflows.
• Entwickelte den IAS Problem Solver, ein orchestriertes System für schwieriges mathematisches Schlussfolgern; es erreichte 84 % in einem eingereichten Antwortsatz auf dem Leipziger Mathematik-Benchmark.
• Entwickelte eine fortsetzbare State-Machine-Pipeline für die Generierung von Benchmarks in der Forschungsmathematik: Quellenauswahl, LLM-Agent-basierte Phänomenfindung, Aufgabensynthese, Gold-Antwort- und Zertifikatsgenerierung sowie Validierung, Probe, Reparatur, menschliches Feedback und Quality Gates, mit Fokus auf Aufgaben, die schwierig, natürlich, verifizierbar und kosteneffizient sind.
• Die aktuelle Arbeit erweitert dies zu budgetbewussten KI-Forschungs-Workflows für reale wissenschaftliche Probleme mit Expertenprüfung.

Tech-Stack: Python, OpenAI/OpenRouter-kompatible APIs, Embeddings, RAG, SQLite.

• Verantwortung für die Konzeption, Planung und Umsetzung der Produktentwicklung von GetMyInvoices 2.0 und der Unterkomponente InvoiceRails
• Eigenständige Arbeit an allen Aspekten des Projekts, einschließlich Konzeption, Spezifikation in Tickets und Koordination der Entwickler
• Erstellung, Verwaltung und Priorisierung von Tickets, um sicherzustellen, dass alle Aufgaben zeitgerecht und in hoher Qualität abgeschlossen werden
• Durchführung und/oder Koordination von Tests und Sicherstellung der ordnungsgemäßen Implementierung der entwickelten Features und Funktionen
• Enge Zusammenarbeit mit Entwicklern, um technische Anforderungen zu klären und sicherzustellen, dass die Umsetzungen den Spezifikationen entsprechen
• Regelmäßige Berichterstattung über den Projektfortschritt und Dokumentation der wichtigsten Entscheidungen, Änderungen und Risiken
• Übernahme der fachlichen Führungsrolle für alle Themen rund um E-Rechnungen und Peppol, insbesondere in Bezug auf die InvoiceRails-Komponente
• Interne Beratung und Wissensweitergabe zu E-Rechnungen und Peppol für andere Teams und Abteilungen
• Verfolgen von Markttrends und neuen Entwicklungen im Bereich E-Rechnungen und Peppol, um die Produktstrategie kontinuierlich anzupassen
• Sicherstellung der langfristigen Skalierbarkeit und Anpassungsfähigkeit der Produkte an zukünftige technologische und gesetzliche Änderungen im Bereich E-Rechnungen

• ▶ Einen Echtzeit-Sprachassistenten gebaut (STT → LLM → TTS-Pipeline), mehrere STT-Anbieter wie faster-whisper und Azure Speech gebenchmarkt und bewertet. Sub-3s-Latenz erreicht, Groq API (Llama 3) mit Multi-Turn-Memory genutzt - mit direkter Behandlung von Edge Cases bei Diktat, Namen und Passcode-Erkennung.

• Verantwortlich für Konzeption, Kamera, Schnitt, Animation und Grading bei Corporate- und B2B-Produktionen
• Steuerung der Projekte von der Kalkulation über Dreh und Post bis zur Auslieferung
• Seit 2023 durchgängig KI-gestützte Produktionspipeline: Runway, Kling, Veo, Sora und Seedance für Bild und Bewegtbild
• ComfyUI für Charakter-Konsistenz, ElevenLabs für Voice, HeyGen für Avatare
• Aufbau reproduzierbarer Workflows für skalierbare Social-Formate
• Aufbau lokaler LLM-Infrastruktur auf eigener GPU-Hardware: Ollama, Multi-Agent-Systeme, RAG, Speech-to-Text und Text-to-Speech
• Prozessautomatisierung für Lead-Generierung, E-Mail- und API-Workflows, Reporting und Dokumentenerstellung

Conventional Paradigm Test (CPT) – KI-Evaluation & LLM-Forschung

Entwicklung eines experimentellen Evaluationsansatzes zur Untersuchung von „paradigmatic closure“ in Large Language Models – also der Frage, inwieweit LLMs die grundlegenden Annahmen, Wertungen und Grenzen der Paradigmen erkennen können, innerhalb derer sie Antworten generieren.

Konzeption und Erprobung eines ergänzenden Ansatzes zu klassischen AI-Benchmarks, der nicht primär faktische Richtigkeit oder Task Performance misst, sondern die Fähigkeit von Modellen untersucht, alternative Perspektiven zu erkennen, implizite Annahmen offenzulegen und die Grenzen des eigenen Antwort- bzw. Deutungsrahmens zu reflektieren.

Schwerpunkte: Entwicklung von Evaluationskriterien und Testfragen · LLM Evaluation und Comparative Model Analysis · Prompt- und Response-Analyse · qualitative Klassifikation von Modellantworten · Untersuchung von epistemic compression und value leakage · Benchmark- und Literaturrecherche · Entwicklung strukturierter Bewertungs- und Analyseverfahren

Im Rahmen von CPT wurden u. a. bestehende AI-Evaluationsansätze und Benchmarks analysiert sowie ein minimalistisches Testprotokoll entwickelt, das Modellantworten nach Reaktionsmustern wie DIRECT, CLARIFY, PLURALIST, REFUSE und META-AWARE klassifiziert. TruthfulQA wurde dabei als Testgrundlage für die experimentelle Anwendung und den Vergleich mit bestehenden Referenzantworten eingesetzt.

Technologien & Methoden: Large Language Models (LLMs) · Generative AI · Prompt Engineering · AI Evaluation · TruthfulQA · Benchmark Analysis · Human-in-the-Loop Evaluation · Qualitative Content Analysis · Research & Literature Review

Enterprise-KI-Inhaltskategorisierung und KI-gestützte Web-Recherche.

• Multi-LLM-Evaluierungs-Framework mit annotierten Daten aufgebaut
• LLM-Fehlerraten anhand annotierter Datensätze iteriert
• KI-gestützte Web-Recherche-Pipeline implementiert Technologie-Stack: LLM, evals, OpenRouter, Python, Node.js, TypeScript, React

• Branche: Software-Hersteller
• Aufgaben: Projektmanagement; Tracking und Koordination der Projekte; Stakeholder-Management; Change-Management; Priorisierung der Anforderungen; Abstimmung der Architektur; Lieferantenmanagement (intern und extern); Release-Management; Monitoring der Fehlerbehebung mit den Teams; KI-unterstützte Softwareentwicklung, Softwaretest und Code-Analyse; KI-Prompting, Prompt Engineering
• Software: Jira, Confluence, MS Project, MS Teams
• Umgebung: IT, Softwareentwicklung, Agile, künstliche Intelligenz (KI)

• Entwicklung einer KI-gestützten Persönlichkeitsanalyse auf Basis der SDWA4 des Instituts: Onlineumfrage, KI-gestützte und automatisierte Auswertung und E-Mail-Versand
• Anforderungsanalyse, Prototyp-Entwicklung, Evaluation, Ableitung einer vereinfachten Analyse SDWA4-light, kontinuierliche Verbesserung, Design, Make-Automatisierung, Bereitstellung

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.

• Analyse
• Beratung
• Software-Design
• Entwicklung
• Automatisierung
• Testen
• Deployment
• Architektur, Entwicklung und Bereitstellung verschiedener Proof-of-Concept-Anwendungen rund um die Integration aktueller KI-Schnittstellen, inklusive Gespräch, Echtzeit-Voice, Bilder und Videos
• Best Practices für die Arbeit mit agentischen Systemen und KI in der Praxis entwickelt
• Code-Vorlagen erstellt

• Verbandsmitglied mit dem Fokus auf die Unterstützung der Vertriebsstrukturen des Mittelstandes

• Klärung von Projektzielen, Umfang und fachlichem Zielbild für den Aufbau der KI-basierten Wissensdatenbank.
• Ableitung der initialen Architektur- und Umsetzungsstrategie für den Zasterbot-Chatbot inklusive Abgrenzung von minimal funktionsfähigem Produkt (MVP) und Ausbaustufen.
• Erarbeitung eines fachlichen Zielbilds für den Aufbau einer strukturierten Wissensdatenbank und die Integration eines zukünftigen Chatbots.
• Ableitung und Priorisierung von Anwendungsfällen für die Informationsbeschaffung und -bereitstellung durch den Chatbot.
• Modellierung von Datenstrukturen und -flüssen zur effektiven Organisation der Wissensdatenbank auf der Base44-Plattform.
• Konzeption und Implementierung der Datenmodelle zur Speicherung und Verknüpfung relevanter Informationen.
• Entwicklung von Prozessen zur Extraktion, Analyse und Aufbereitung von Rohdaten für die Wissensdatenbank.
• Sicherstellung der Datenkonsistenz und -qualität als Grundlage für den zukünftigen Chatbot.
• Planung der Integration großer Sprachmodelle (LLMs) und Retrieval-Augmented Generation (RAG) für präzise und kontextbezogene Antworten.
• Implementierung von Funktionen zur Analyse und Darstellung von Daten aus der Wissensdatenbank.
• Nutzung der Base44-Plattform mit JSON-Schema-basierten Entitäten und flexiblem Berechtigungskonzept.
• Implementierung von Deno-Funktionen für Backend-Logik, Eventverarbeitung und Anbindung externer APIs.
• Integration von OpenAI-Services für die initiale Datenanalyse.

• Microsoft Azure: Design, Ausarbeitung und Kapazitätsanalyse einschließlich PoC
• Microsoft Azure: finale Implementierung für die Migration von On-Prem-RAC zu Single Instance Data Guard
• Performance-Tuning und Troubleshooting für Crew-Management-Systeme (Piloten und Briefings)
• Design und Implementierung eines disaster-recovery-bewussten Systems auf Basis von RAC Extended Cluster und Data Guard
• OEM: Wartung, Installation und Upgrades von Oracle Cloud Control (12.1.0.5 > 13.3 > 13.5)
• OEM: Erstellung eines Agent Golden Images mit neuem RU und Sicherheitsfixes für die Großumgebung
• OEM-Agent-Upgrade
• OEM: Entwicklung von Custom Metric Extensions und Reports
• OEM: vollständiges Monitoring-Setup mit Template-Sammlungen und Monitoring-Templates sowie Incident-Rule-Konfiguration
• Upgrades: GI von 11.2.0.4 auf 12.1.0.2, auf 18.4, auf 19.6+
• Upgrades: Datenbanken von 11.2.0.2 auf 12.1.0.2, auf 19.18+
• Neugestaltung und Lizenzoptimierung auf Basis von Oracle SE auf ODA und DBVisit
• Design einer virtualisierten Plattform auf Basis von OLVM und Lizenzoptimierung durch Hard Partitioning
• Migration von Datenbanken von Bare Metal zu OLVM