30.10.2026 aktualisiert
Premiumkunde
100 % verfügbarAI Engineer & Data Engineer | LLM, RAG & AI Agents in Production | Python & Data Pipelines
Berlin, Deutschland
Berlin +25 km
Über mich
KI- und Data Engineer aus Berlin, 7+ Jahre Erfahrung. Ich bringe LLM-, RAG- und KI-Agenten-Systeme in Produktion, z. B. ein Empfehlungssystem für ~190.000 Videos mit Antworten in unter 10 ms. Auch reine Data- und Backend-Projekte mit Python. Remote oder vor Ort in Berlin, ab sofort.
Skills
AI AgentsRustRAGLLMAPIsKünstliche IntelligenzAmazon Web ServicesAutomatisierungDatenbankenDatenbereinigungETLDjangoGraphdatenbankInformation RetrievalPython
KI- und Data Engineer aus Berlin mit über 7 Jahren Erfahrung. Ich entwickle LLM-, RAG- und KI-Agenten-Lösungen, die ein konkretes Geschäftsproblem lösen, inklusive Python-Backend und Datenpipelines: vom ersten Konzept bis zum produktiven, wartbaren System. Projekte ohne KI übernehme ich genauso, als Data Engineer oder Python-Backend-Entwickler.
Schwerpunkte
1. KI und LLM: RAG (Retrieval-Augmented Generation), KI-Agenten und Multi-Agenten-Systeme, Generative AI, semantische Suche mit Embeddings, Empfehlungssysteme, Machine Learning, LLM-gestützte Automatisierung, GraphRAG mit einem Knowledge Graph in Neo4j, Speech-to-Text-Transkription, Textklassifizierung (IAB) und Document AI: PDF-, Word- und Markdown-Dateien per RAG oder Graphdatenbank durchsuchbar machen.
2. Data Engineering: ETL/ELT-Pipelines, Datenintegration, event-getriebene Architektur mit Google Cloud Pub/Sub, BigQuery, Dataflow, Dataproc, Spark, Dask und Pandas, Datenbereinigung, Datenextraktion, Web Scraping und Crawling.
3. Backend: Python (FastAPI, async, Django, Celery), Rust für Serving mit niedriger Latenz, außerdem Go und Java; REST-APIs, Microservices, Softwarearchitektur, Performance-Optimierung.
4. Datenbanken und Suche: OpenSearch, Redis, PostgreSQL, MongoDB, Neo4j, RabbitMQ.
5. Cloud: AWS, Google Cloud, Docker.
6. KI-Beratung: Bevor etwas gebaut wird, prüfe ich, was sich zu automatisieren lohnt, was nicht, und was der Betrieb realistisch kostet.
7. Zusammenarbeit: Scrum, technische Koordination von Entwicklern, Projektmanagement.
Ergebnisse
• KI-Empfehlungssystem, von Anfang bis Ende selbst gebaut: ordnet Nachrichtenartikeln das passendste von ~190.000 Videos zu und war in der Evaluation besser als etablierte kommerzielle Produkte
• Serving-Layer in Rust: Antworten in unter 10 ms bei ~150 Anfragen pro Sekunde
• Multi-Agenten-System für Code-Reviews, das schwerwiegende Fehler fand, die andere KI-Reviews übersehen hatten
• Event-getriebene Architektur auf Google Cloud Pub/Sub, ETL-Pipelines und eine gemeinsame Datenzugriffsschicht für mehrere Teams
Stichworte: AI Engineer, Data Engineer, KI-Entwickler, KI-Berater, Python-Entwickler, LLM, RAG, KI-Agenten, Generative AI, Datenpipelines, ETL, Backend-Entwicklung
Erfahrung
Berufserfahrung5 - 10 Jahre
Freelancer seit2019
Sprachen
DeutschMutterspracheEnglischverhandlungssicher
Projekthistorie
• Agentischen Code-Review-Service entworfen und gebaut: Ein Schwarm von KI-Agenten untersucht ein Repository; die Agenten hinterfragen gegenseitig ihre Ergebnisse und setzen die bestätigten um.
• Ein Neo4j-Knowledge-Graph dient den Agenten als gemeinsamer Kontext und als Gedächtnis; die Agenten rufen während der Arbeit Wissen daraus ab (GraphRAG).
• Ergebnis: Das System fand schwerwiegende Fehler, die vergleichbare KI-Code-Reviews übersehen hatten. Je mehr Kontextquellen angebunden sind, desto besser erkennt es das große Ganze.
Skills: AI Agents, GraphRAG, LLM, Neo4j, Knowledge Graph
• KI-Empfehlungsservice entworfen und von Anfang bis Ende gebaut: ordnet Nachrichtenartikeln das passendste Video aus einem Katalog von ~190.000 Videos zu. In der Evaluation war er besser als etablierte kommerzielle Produkte.
• Semantische Suche: OpenSearch-Index mit Video-Metadaten, Transkripten und Embeddings, gespeist von einem selbst gebauten Transkriptionsservice.
• Die Kandidaten aus dem Index gehen an ein LLM, das das beste Video auswählt (Retrieval-Augmented Generation, RAG).
• Klassifizierung von Videos und Artikeln in standardisierte IAB-Kategorien, damit das Matching über beide hinweg funktioniert.
• Serving-Layer in Rust: Empfehlungs- und Kategorie-Endpunkte beantworten Browser-Anfragen aus einem Redis-Cache in unter 10 ms bei dauerhaft ~150 Anfragen pro Sekunde.
• Ingestion-Service, der Video-Metadaten synchron hält, sie anreichert und verwaiste und doppelte Einträge entfernt.
Skills: RAG, Semantic Search, Python, Rust, OpenSearch
• Ein Open-Source-LLM-Chat-Tool zu einem internen Assistenten umgebaut, der an die eigenen Datenquellen des Unternehmens angebunden ist.
• Support-Tooling gebaut, das Kundenseiten crawlt, deren Integration automatisch prüft und das Cookie-Verhalten verschiedener Seiten vergleicht, damit das Support-Team Probleme schnell eingrenzen kann.
• Interne Python-Pakete geschrieben, die in der gesamten Codebasis genutzt werden: eine Datenzugriffsschicht zwischen den Datenquellen und den KI-Services sowie eine Bibliothek für das Secrets-Management.
Skills: LLM, Python, Web Scraping, Data Integration, API