20.11.2026 aktualisiert


100 % verfügbar
IT Experte spezialisiert auf Machine Learning
Gelsenkirchen, Deutschland
Gelsenkirchen +100 km
PhD Computer ScienceSkills
ObservabilityAI AgentsOIDCRAGGitHub ActionsServerlessTailwind CSSLLMOpenAIHelmFinOpsBedrockFine-TuningZero TrustIAM
Hi, ich bin Jonas!
2012 habe ich mit der Softwareentwicklung angefangen, damals noch im Leistungskurs an der Schule. Mittlerweile habe ich meinen Master in Informatik abgeschlossen und stehe kurz vor dem Abschluss meiner Promotion.
Neben meinem Studium habe ich über acht Jahre als Anwendungsentwickler bei der LVM Versicherung in Münster gearbeitet und dabei so ziemlich alles mitgenommen, was zur Softwareentwicklung gehört: Frontend, Backend, Datenbanken, APIs, Cloud-Infrastruktur und Deployment.
In den letzten Jahren habe ich mich vor allem auf Machine Learning, LLMs und KI-Agenten spezialisiert. Neben meiner Forschung und diversen Weiterbildungen wie der Machine Learning Specialization von Stanford habe ich das KI-Startup Implora (heute Phronora) mitgegründet und bei der Atruvia AG an KI-Lösungen im regulierten IT-Sicherheitsumfeld gearbeitet.
Besonders wichtig ist mir, dass KI nicht nur funktioniert, sondern auch in der Praxis zuverlässig und sicher eingesetzt werden kann und echten Mehrwert bietet. Ergebnisse meiner Arbeit habe ich unter anderem auf der CyberCrime Conference in Berlin und bei Google in München vorgestellt.
Schwerpunkte
AI (Agentic) Engineering: LLM, Generative AI, AI Agents, Multi-Agent Systems, RAG, MCP, Context Management, Memory Management, Harness Engineering, Self-Improvement Loops, LangChain, Prompt Engineering, Fine-Tuning, OpenAI, AWS Bedrock, Ollama, MLOps, LLM-Evaluation
LLM Security: LLM-Pentesting (Dozent), Prompt Injection, OWASP Top 10 for LLM Applications, Penetration Testing, Monitoring, Observability, Detection Engineering, Incident Response
Machine Learning: Python, scikit-learn, TensorFlow, pandas, NumPy, NLP, Supervised/Unsupervised Learning, Fine-Tuning, Feature-Engineering
Backend & Datenbanken: FastAPI, REST APIs, SQL, PostgreSQL, pgvector, MySQL, DynamoDB
Frontend: TypeScript, React, Next.js
Cloud & DevOps: AWS (Lambda, S3), Docker, Kubernetes, Terraform, CI/CD, GitHub Actions
Erfahrung
Berufserfahrungmehr als 10 Jahre
Freelancer seit2024
Sprachen
DeutschMutterspracheEnglischverhandlungssicher
Projekthistorie
Konzeption und Entwicklung produktiver LLM- und Multi-Agenten-Systeme, u. a. im Umfeld eines IT-Dienstleisters der genossenschaftlichen FinanzGruppe (Bankensektor):
● Distill – LLM-basierte Taxonomie-Engine für Angreiferverhalten (generativer Nachfolger von MITRE ATT&CK): Multi-Agenten-Extraktionspipeline (Orchestrator + Subagents), Embedding-basiertes Clustering und Konsolidierung, PostgreSQL/pgvector, lizenzsichere und datenschutzbewusste Datenverarbeitung, API-first-Architektur.
● Scout – unternehmensbezogener Threat-Intelligence-Feed auf Distill-Basis: Relevanz-Engine, wöchentliche Lageberichte, Trend-/Heatmap-Auswertungen für ein Finanzunternehmen.
● RuleForge – agentisches System zur automatischen Generierung von Detection-Regeln (Sigma) aus Threat Intelligence: RAG/Retrieval, Knowledge-Grounding (ATT&CK, CWE, CAPEC), Schema-erzwungene Generierung, deterministische Validator-Loops, LLM-as-a-Judge.
● LISA – Benchmark zur Bewertung von LLMs im Detection Engineering: Eval-Harness, diagnostisches Scoring, Ausführung generierter Regeln gegen reale Angriffs-Telemetrie.
Stack: Python, Claude/OpenAI API, Agentic AI, RAG, Prompt Engineering, LLM-Evaluation, pgvector, PostgreSQL, Docker, Kubernetes, Git, CI/CD.
Mitarbeit an der Integration von KI- und LLM-Verfahren in den SOC-Betrieb des Digitalisierungspartners der genossenschaftlichen FinanzGruppe (~800 Banken, reguliertes Umfeld):
● Automatisierte Threat-Intelligence-Auswertung: Aufbau LLM-gestützter Pipelines, die eingehende Threat-Intelligence-Reports automatisch analysieren, relevante Angreiferverhalten (TTPs nach MITRE ATT&CK) extrahieren und auf Unternehmensrelevanz filtern – von manueller Report-Lektüre zu einem automatisierten, wöchentlichen Lagebild.
● Automatische Angriffserkennung: LLM-gestützte Ableitung von Detection-Regeln (Sigma) aus Threat Intelligence zur Schließung von Detection-Gaps; Validierungs- und Qualitätssicherungs-Loops, um generierte Regeln produktionsreif zu machen.
● Use-Case-Identifikation & Stakeholder-Arbeit: Bewertung, wo KI im Detection-/Response-Alltag echten Nutzen stiftet; Abstimmung mit SOC-Analysten, Detection Engineers und Fachbereich.
● Durchführung des Moduls „Cybersicherheit“ mit rund 20 Teilnehmenden.
● Betreuung von Masterprojekten sowie Bachelor- und Masterarbeiten im Labor für IT-Sicherheit.
● Forschung im Bereich des Einsatzes von Machine Learning für Incident Detection und Incident Response.