07.10.2026 aktualisiert
Premiumkunde
100 % verfügbarExperte für generative KI, RAG & Systemarchitektur
Eitorf, Deutschland
Nur Remote
Fachabitur – Informations- und Kommunikationstechnik; autodidaktisch Engineering gelernt.Über mich
11 Jahre Software Engineering, ca. 4 Jahre intensiver Fokus auf AI Engineering & GenAI. Co-Founder & AI Architect bei SiegFlow AI. Autor von AKAC (Agent Knowledge Access Control), dem ersten offenen Industriestandard-Entwurf für berechtigungsbewusstes RAG & Zero-Trust Agent-Mesh im Enterprise.
Skills
AI AgentsRAGAzure KubernetesOpenAILangChainOllamaJavaScriptAutomatisierter Dienst zur Übertragung von KundenkontenAgile MethodologieKünstliche IntelligenzAutomatisierter HandelAnwendungsarchitekturAutomatisierte Lager- und BereitstellungssystemeAutomatisierungAutomatisiertes Test-Framework
Generative KI, RAG & Systemarchitektur
Ich konzipiere und entwickle KI-Systeme, die Unternehmenswissen nutzbar machen, Abläufe automatisieren und sich kontrolliert in bestehende IT-Landschaften integrieren lassen. Mein Schwerpunkt verbindet Architektur mit praktischer Umsetzung: von Anforderungen und Datenflüssen bis zu Tests, Deployment und Betrieb.
Agentic AI & LLM-Systeme
Entwicklung mehrstufiger Agentenprozesse mit LangGraph, LangChain, Tool Calling und MCP. Integration von OpenAI-, Anthropic- und AWS-Bedrock-Modellen sowie lokalen LLMs. Kontrollierte Workflows mit persistentem Zustand, Human-in-the-Loop und automatisierter Qualitätssicherung.
RAG & Knowledge Systems
Aufbau von Retrieval-Pipelines mit Chunking, Embeddings, Vector Search, Reranking und quellengebundenen Antworten. Anbindung von Unternehmensdaten über APIs, Datenbanken und Wissenssysteme. Mit meinem Framework AKAC – Agent Knowledge Access Control entwickle ich deterministische Zugriffskontrollen für Agentenwissen und Werkzeuge, einschließlich Mandantentrennung und nachvollziehbarer Audit-Ereignisse.
ML Engineering, MLOps & LLMOps
Arbeit mit PyTorch und Hugging Face Transformers sowie Kenntnisse in Modellarchitektur, Inferenz und Fine-Tuning. Fine-Tuning war bislang in meinen Kundenprojekten nicht erforderlich. Evaluation, Experiment-Tracking und Observability mit MLflow, Langfuse und OpenTelemetry; Bewertung von Retrieval- und Antwortqualität anhand definierter Testdatensätze.
Backend & Systemintegration
Python, FastAPI, TypeScript, Node.js und PostgreSQL/pgvector. Entwicklung von REST-APIs, Webhooks und Microservices sowie Integration von CRM-, ERP-, Commerce- und Logistiksystemen. Fokus auf Datenvalidierung, Idempotenz, Berechtigungen und konsistente Prozesszustände.
Cloud & AI Infrastructure
Docker, Kubernetes, Helm und Terraform; Cloud-Erfahrung mit Google Cloud, AWS und Azure. Architekturverantwortung für eine produktive GCP-Datenanalyse-Plattform von April bis Dezember 2024 mit Cloud Run, Pub/Sub, Workflows, Vertex AI, Cloud Spanner und BigQuery. Ergänzend Erfahrung mit Multi-LLM-Routing und GPU-Infrastruktur.
DevOps & Quality Engineering
CI/CD mit GitHub Actions, automatisierte Unit-, API- und End-to-End-Tests mit pytest und Playwright sowie Mutation Testing und Security Checks. Eigene Ansätze zur Erkennung von Tests, die trotz erfolgreichem Durchlauf Fehler übersehen.
Projektreferenz: SiegFlow Intelligence Platform
Konzeption und Entwicklung einer agentischen Enterprise-Plattform zur Verbindung von Unternehmensdaten, Softwarediensten und KI-Agenten. Schwerpunkte: Architektur, Backend, APIs, Agent-Orchestrierung, RAG und technische Dokumentation.
Arbeitsweise
Ich übersetze fachliche Anforderungen in nachvollziehbare technische Lösungen. Sicherheit, Wartbarkeit und messbare Qualität berücksichtige ich von Beginn an und dokumentiere Architekturentscheidungen sowie Betriebs- und Übergabeprozesse.
Erfahrung
Berufserfahrungmehr als 10 Jahre
Freelancer seit2023
Sprachen
DeutschMutterspracheEnglischverhandlungssicherTürkischMuttersprache
Projekthistorie
Entwicklung des ersten offenen, regelungsneutralen Industriestandard-Entwurfs für kontrollierten Wissensabfluss in autonomen KI-Systemen im Enterprise-Umfeld.
• Architektur des L1-L5 Multi-Tier Isolationsmodells, das feinkörnige Dokumentenberechtigungen (ACLs) mit skalierten Vektor-Indizes vereint.
• Design des Zwei-Principals-Modells zur simultanen, kryptografischen Evaluierung von User- und Agent-Clearance außerhalb des LLMs via fail-closed Gates.
• Implementierung einer "Derived-Memory Protection"-Logik: Abgeleitete KI-Zusammenfassungen erben automatisch die Zugriffsbeschränkungen ihrer Quellen.
• Vermeidung von Permission-Explosions im Vektorraum durch ein hocheffizientes Pre-Filtering und authoritatives Gateway-Post-Checking (ADR-004).
• Integration moderner Identitäts- und Sicherheitsstandards (OpenID AuthZEN Authorization API 1.0, DPoP RFC 9449, SCIM 2.0).
• Aufbau lückenloser, mandantenspezifischer Audit-Ketten mittels verifizierbarer Merkle-Beweise (RFC 9162) und Ed25519-Checkpoints.
• Entwicklung der TypeScript-Referenzimplementierung mit 359 bestandenen Tests auf PostgreSQL 17 (pgvector) unter harter Nutzung von Row-Level Security (RLS) und OPA.
• Gewährleistung von DevSecOps-Standards durch CodeQL, Trivy, automatisierte SBOM-Generierung und Bereitstellung von Docker- und Helm-Infrastrukturen.
Entwicklung eines agentischen Software-Engineering-Systems, bei dem spezialisierte Coding-Agenten kontinuierlich an der SIP-Plattform arbeiten.
Anstatt einem einzelnen Modell vollständigen Zugriff auf einen Entwicklungsprozess zu geben, wird die Arbeit in unterschiedliche Rollen und kontrollierte Phasen zerlegt:
Plan → Build → Verify → Independent Review → Improve / Human Gate
Die Agenten übernehmen unter anderem Planung, Implementierung, Debugging, Testausführung, Code Review und Sicherheitsprüfungen.
Die Generative-AI-Pipeline wurde zusätzlich mit Langfuse für Tracing, Prompt Management und Evaluation ausgestattet. Dadurch können Agent-Ausführungen, Modellaufrufe und Prompt-Versionen analysiert und verglichen werden.
CI/CD-Gates verhindern, dass Änderungen nur aufgrund einer positiven Modellbewertung akzeptiert werden. Stattdessen müssen definierte Tests, Typechecks, Linting, Security Checks und unabhängige Reviews bestanden werden.
Zusätzlich werden Prinzipien aus meinem Projekt Green But Blind eingesetzt, um Tests daraufhin zu überprüfen, ob sie tatsächlich eine Schutzfunktion erfüllen und nicht lediglich „grün“ zurückgeben.
Schwerpunkte:
- Multi-Agent Software Engineering
- autonome Coding Workflows
- Claude Code und OpenAI Codex
- durable Agent Memory
- CI/CD-basierte Verification
- unabhängige Reviewer-Agenten
- Langfuse Tracing
- Prompt Management
- LLM-Evaluation
- automatisierte Tests
- Human Approval für sensible Aktionen
Entwicklung einer modularen no-code Enterprise-AI-Plattform für autonome B2B-Prozesse mit KI-Agenten, RAG, Multi-LLM-Routing, persistentem Unternehmenswissen und kontrollierter Ausführung. Kern ist das Prozessmodell State → Action → Authority → Execution → Feedback mit definierten Zuständen, Berechtigungen, Human-in-the-Loop-Gates und Auditierbarkeit.
Der Company Brain verwaltet Unternehmenswissen mandantenisoliert über RAG, Embeddings, Retrieval, Memory- und Knowledge-Graph-Konzepte. Prozesse werden über Event-Sourcing und persistente Workflow-Zustände nachvollziehbar gehalten.
AI/ML-Schwerpunkte: PyTorch, Hugging Face Transformers, OpenAI, Anthropic, AWS Bedrock, LangGraph, LangChain, Fine-Tuning, Inferenz und Modell-Evaluation. Langfristig sind anonymisierte Trainingsdaten zur kontrollierten Weiterentwicklung eigener Modelle sowie unterbrechungsfreie Evaluation und Inferenz neuer Modelle vorgesehen.
MLOps/LLMOps mit MLflow, W&B, DVC, Langfuse, LangSmith, Arize Phoenix, Promptfoo und DeepEval. Infrastruktur mit Docker, Kubernetes, Helm, NVIDIA MIG, Triton, AWS, Azure, Microsoft
Fabric und Microsoft IQ.
Rolle: Co-Founder / CTO
Aufgaben: Architektur, Backend/API, Agent-Orchestrierung, RAG/Memory, MLOps/LLMOps, CI/CD, Security, Observability, Deployment und technische Dokumentation.