10.08.2026 aktualisiert
Premiumkunde
100 % verfügbarFull Stack AI Engineer | M.Sc. Wirtschaftsinformatik
Salzgitter, Deutschland
Nur Remote
M.Sc. | Wirtschaftsinformatik | Note 1,3 | Top 100 Universitäten weltweit (Times Higher Education).Über mich
AI Engineer mit Masterstudium an führenden Universitäten in Berlin und Tokio sowie Praxiserfahrung vom deutschen Mittelstand über Berliner Startups bis hin zur zentralen KI-Abteilung bei Porsche.
Skills
AI AgentsRAGLLMAPIsKünstliche IntelligenzWirtschaftsinformatikPythonMachine LearningMessaging Application Programming InterfaceSoftware ArchitectureSystem DesignWebdevFeature-EngineeringData SciencePyTorch
Sprachen
Python · JavaScript · TypeScript · Java · C++ · C · R · HTML · CSS · JSON · SQL · UML
Software Engineering: Full-Stack Development · Backend Engineering · Software Architecture · System Design · Distributed Systems · Microservices · API Design · Clean Architecture · Design Patterns · Object-Oriented Programming · Authentication & Authorization · Automated Testing · Performance Optimization · Refactoring · Code Reviews · Requirements Engineering · Technical Documentation
Machine Learning: Feature Engineering · Model Training & Evaluation · Cross-Validation · Hyperparameter Tuning · Ensemble Methods · Gradient Boosting · XGBoost · Random Forests · Time Series Analysis · Fine-Tuning · Transfer Learning · Distillation · Domain Adaptation · Neural Networks · CNN · LSTM · GNN · Autoencoders · Diffusion Models · Transformers · Attention Mechanisms · Mixture of Experts
LLMs & Generative AI: System Prompt Design · Few-Shot Learning · Context Engineering · Prompt Engineering · Function Calling · Tool Use · Model Routing · Multi-Model Orchestration · Hallucination Mitigation · Guardrails · Document AI · Speech-to-Text · Claude · GPT · Whisper · OS Models · Multimodal AI
RAG & Agentic AI: Basic RAG · Advanced RAG · Agentic RAG · GraphRAG · Hybrid Search · Vector Databases · pgvector · Qdrant · Weaviate · Multimodal Embeddings · Semantic Chunking · Re-Ranking · Query Rewriting · Metadata Filtering · Grounding & Citations · Knowledge Graphs · Multi-Agent Systems · Agent Orchestration · ReAct · Planning · Memory Systems · MCP · LangChain · LangGraph · Claude Code · Cursor
Responsible AI: Explainable AI · SHAP · Model Interpretability · AI Governance · EU AI Act · Data Privacy · Data Sovereignty · Human-in-the-Loop · AI Safety
Frameworks & Platforms: PyTorch · Hugging Face Transformers · Scikit-learn · Pandas · OpenAI SDK · Azure OpenAI · Google Vertex AI · AWS Bedrock · Anthropic API · vLLM · ONNX
AI Infrastructure & Operations: Model Deployment · Inference Optimization · Cost & Latency Optimization · Monitoring & Observability · Evaluation Pipelines · On-Premises Deployment · GPU Inference · Docker · Kubernetes · CI/CD · MLflow · AWS · Azure · Cloudflare Workers · Apache
Databases & OS: PostgreSQL · MySQL · Oracle · MongoDB · SQL · Linux · macOS · Windows
Sprachen
DeutschMutterspracheEnglischMuttersprache
Projekthistorie
Projektüberblick
Für ein Industrieunternehmen mit ca. 200 Mitarbeitenden entwickelte ich eine vollständig selbst gehostete KI-Wissensplattform. Ziel war es, über 20 Jahre internes Wissen aus Dokumenten und Erfahrungswissen langjähriger Mitarbeitender zu sichern und per Chat zugänglich zu machen. Die Plattform verarbeitet ca. 25 Mio. Tokens interner Inhalte und liefert quellenbasierte Antworten mit Dokumentenlinks.
Impact
- Siebenstelliges jährliches Effizienzpotenzial
- ca. 2.400 eingesparte Suchstunden pro Monat und Sicherung von über 20 Jahren Expertenwissen.
Aufgaben
- End-to-End-Verantwortung für Architektur, Datenmodell, Backend, Frontend und Deployment
- Konzeption einer selbst gehosteten, containerisierten KI-Plattform
- Aufbau öffentlicher und VPN-geschützter Systemkomponenten
- Requirements Engineering und MVP-Pilotierung mit Testnutzern
- Entwicklung des Datenschutz- und Sicherheitskonzepts mit dem Datenschutzbeauftragten
- Umsetzung von On-Premises-Betrieb, LDAP-Login und Zwei-Faktor-Authentifizierung
- Aufbau einer Advanced-RAG-Pipeline mit semantischer Suche, Metadatenfiltern und Re-Ranking
- Erstellung von Wissensdatenbanken für Dokumente und Erfahrungswissen
- Implementierung quellenbasierter Antworten mit Dokumentenlinks
- Entwicklung agentischer Retrieval-Logik für interne Daten, Webquellen und Kontextantworten
- Automatisierte Verarbeitung von Dokumenten, Bildern, Audio und Video
- Sprachinteraktion
- Performance-Optimierung für parallele Nutzung
Projektüberblick
Für einen deutschen Mittelständler aus der Papierprodukte-Branche entwickelte ich ein KI-gestütztes E-Mail-Triage-System. Ziel war es, den Aufwand bei ca. 1.500 eingehenden E-Mails pro Tag zu reduzieren. Das System klassifiziert Nachrichten entlang der Unternehmensstruktur und identifiziert die relevanten 5 bis 10 % für das tägliche CEO-Briefing. Die Lösung kombiniert E-Mail-Ingestion, KI-Klassifikation und On-Premises-Betrieb.
Impact
- Reduktion von ca. 550.000 E-Mails pro Jahr auf eine Executive-Shortlist
- Wegfall eines Vollzeit-Triage-Aufwands
- Sicherung der Entscheidungslogik der Sekretärin als Regelwerk
- Schnellere Entscheidungen durch vorsortierte relevante E-Mails
Aufgaben
- Requirements Engineering mit Stakeholdern
- Übersetzung fachlicher Anforderungen in technische Features
- End-to-End-Verantwortung für Architektur, Datenmodell, Backend, Frontend und Deployment
- On-Premises-Betrieb per Docker Compose auf interner VM
- Integration des lokalen Exchange-Servers via IMAP und NTLM
- Preprocessing-Pipeline für HTML-Bereinigung, Deduplizierung und Normalisierung
- KI-basierte Klassifikation nach Geschäftsbereichen
- Automatisierter CEO-Briefing-Workflow
- Rule Engine für manuelle Override-Regeln
- Feedback Loop für wiederverwendbare Klassifikationsregeln
- Weboberfläche für Briefings, Inbox-Management und Einstellungen
- Hintergrund-Synchronisierung für aktuelle Klassifikationen
- Abstimmung mit Office, IT und Datenschutz
Entwicklung prädiktiver Modelle für Vertrieb und Marketing, Arbeit an einer transformerbasierten Nachfrageprognose-Pipeline, Clustering von Kunden- und Fahrzeugdaten sowie Erstellung einer automatisierten Pipeline zur Analyse der Feature Importance mit XGBoost und SHAP.