27.10.2026 aktualisiert
SA
Premiumkunde
100 % verfügbarSenior AI Engineer (Python)
Fehmarn, Deutschland
Deutschland
Skills
TimescaleDBKeycloakAI AgentsArgo CDRAGGitOpsLLMHelmMLOpsJavaJavaScriptKünstliche IntelligenzKünstliche Neurale NetzwerkeUbuntuCUDA
Senior AI Engineer mit langjähriger Erfahrung in Softwareentwicklung, Cloud-Architektur und Data Engineering, seit 2018 mit Schwerpunkt Machine Learning. Baut produktionsreife KI-Systeme: LLM-gestützte Datenpipelines, Reinforcement-Learning-Trainingsumgebungen mit Backtesting, Echtzeit-Monitoring und On-Premise-Inferenz mit vLLM auf GPU-Clustern. Die Plattform dahinter entsteht aus einer Hand – Kubernetes, GitOps mit ArgoCD und Helm, Ansible-Provisionierung, Time-Series- und Vektordatenbanken. Davor viele Jahre als DevOps- und Cloud-Architekt für Behörden, Cloud-Provider und Industrieunternehmen (OpenShift, AWS, CI/CD) sowie als Big-Data-Architekt und Entwicklungsleiter in der Pharma-Marktforschung (Hadoop, Spark). Arbeitet hands-on in Python und Java, denkt in Architekturen und übernimmt Verantwortung von der Konzeption bis zum Betrieb.
Technologien: Python (2,5 Jahre), LLM (2 Jahre), ArgoCD (2 Jahre), Helm Charts (2 Jahre), Kubernetes (2 Jahre), Minio (S3) (2 Jahre), Parquet (2 Jahre), PostgreSQL (2 Jahre), PyTorch (2 Jahre), Qdrant (2 Jahre), TimescaleDB (2 Jahre), Ubuntu (2 Jahre), vLLM (2 Jahre), AI Agents (8 Monate), CUDA (8 Monate), Docker (8 Monate), FastAPI (8 Monate), JavaScript (8 Monate), Ansible (6 Monate), Chart.js (6 Monate), DNS (6 Monate), Linux (6 Monate), Networking (6 Monate), NumPy (6 Monate), NVIDIA GPU (6 Monate), pandas (6 Monate), TradingView Lightweight Charts (6 Monate), WebSockets (6 Monate), Data Preprocessing & Feature Engineering (5 Monate), Deep Learning (5 Monate), Natural Language Processing (5 Monate), RNN (5 Monate), Text Classification Pipelines (5 Monate), Data Processing Pipelines (4 Monate), Google Sheets API (4 Monate), Llama-3-1-8B-Instruct (4 Monate), REST APIs (4 Monate), Anthropic SDK (2 Monate), Claude Haiku 4.5 (2 Monate), CSS (2 Monate), Flyway (2 Monate), GitLab CI (2 Monate), Gmail API (2 Monate), Helm (2 Monate), HTML (2 Monate), mypy (2 Monate), NVIDIA DGX Spark (2 Monate), Playwright (2 Monate), Pydantic (2 Monate), pytest (2 Monate), python-docx (2 Monate), Qwen3-30B-A3B (2 Monate), ruff (2 Monate), SQLAlchemy (2 Monate), WordPress REST API (2 Monate), xgrammar (2 Monate)
Erfahrung
Berufserfahrungmehr als 10 Jahre
Freelancer seit2018
Sprachen
DeutschMutterspracheEnglischverhandlungssicher
Projekthistorie
Project Outreach Desk ist ein on-premises LLM-Agentensystem in Python, das Beratungsunternehmen bei der Akquise von Freelance-Projekten unterstützt. Zwei AI Agents arbeiten zusammen: einer extrahiert Projektangebote aus Recruiter-E-Mails (via Gmail API) und externen Portalen mittels Claude Haiku 4.5 über das Anthropic SDK, der andere baut schrittweise CV-Profile auf, validiert sie mit einer Regel-Engine und korrigiert sich selbst durch xgrammar Guided Decoding auf einem vLLM-Server. Qwen3-30B-A3B läuft auf einem NVIDIA DGX Spark mit CUDA und Ubuntu im Kubernetes-Cluster. Die Daten werden in PostgreSQL über FastAPI, SQLAlchemy und Pydantic gespeichert, schemaversioniert mit Flyway. Die Oberfläche ist eine HTML/CSS/JavaScript-Single-Page-App mit Live-Entwurf. Exporte erfolgen als gebrandete Word-Dokumente via python-docx, anonymisierte Profile über WordPress REST API. Die Infrastruktur wird mit Docker, Kubernetes, Helm und ArgoCD über GitLab CI ausgerollt. Qualitätssicherung durch pytest, ruff und mypy im Strict-Modus. Projektentwicklung agil nach Scrum mit kontinuierlichen Feedback-Sprints von Beratern.
Rolle: Senior AI Engineer
Technologien: Python, FastAPI, PostgreSQL, SQLAlchemy, Pydantic, Flyway, HTML, CSS, JavaScript, vLLM, Qwen3-30B-A3B, xgrammar, Claude Haiku 4.5, Anthropic SDK, Gmail API, Playwright, python-docx, WordPress REST API, Docker, Kubernetes, Helm, ArgoCD, GitLab CI, NVIDIA DGX Spark, CUDA, Ubuntu, pytest, ruff, mypy, AI Agents, Scrum
Das Staatsunternehmen betreibt ein SIEM-System auf Basis von Open-Source-Software, das Protokolle zentral sammelt, Angriffe früh erkennt und Vorfälle nachvollziehbar untersucht. Kubernetes verwaltet alle Komponenten als Container und gewährleistet Skalierbarkeit und Selbstheilung. Docker liefert die Dienste als Images, GitLab CI baut und testet jede Änderung, während CI/CD die Änderungen automatisch in die Produktion bringt. GitOps wird mit ArgoCD umgesetzt: Der Sollzustand liegt in Git, ArgoCD synchronisiert den Cluster kontinuierlich. Helm Charts verpacken Anwendungen mit Konfiguration, sodass Updates kontrolliert erfolgen. Istio verschlüsselt den Dienstverkehr und steuert das Routing. Keycloak verwaltet die Anmeldungen mit Single Sign-on und rollenbasierten Rechten. HashiCorp Vault sichert Zugangsdaten und Zertifikate und liefert sie als Secrets. minikube ermöglicht die lokale Nachbildung der Plattform für Onboarding und Troubleshooting. Die Entwicklung erfolgt agil nach Scrum: Backlog-Einträge für Datenquellen, Updates und Betriebsthemen werden in Sprints geplant, täglich abgestimmt und im Review vorgestellt.
Rolle: DevOps Engineer bei einem Staatsunternehmen
Technologien: Kubernetes, GitLab CI, ArgoCD, GitOps, Istio, Keycloak, Helm Charts, HashiCorp Vault, Docker, minikube, CI/CD, Scrum
trAIder ist ein künstlich-intelligentes Handelssystem, das Marktbewegungen mithilfe von Reinforcement Learning erkennt. Die zentrale News-Verarbeitungspipeline in Python verarbeitet weltweite Finanznachrichten, bereinigt sie mit einem quantisierten Sprachmodell über vLLM und wandelt sie in semantische Vektoren um. Der Inference-Service läuft containerisiert auf Kubernetes (Ubuntu) und ist durch Batching und horizontale Skalierung auf hohen Durchsatz ausgelegt. PyTorch dient für Modellintegration und Training. Strukturierte Metadaten wie Ticker und Zeitstempel werden in TimescaleDB / PostgreSQL gespeichert, um zeitbasierte Abfragen zu unterstützen. Bereinigte Artikel werden als Vektoren in Qdrant persistiert und für Feature-Generierung genutzt. Datensnapshots im Parquet-Format werden im MinIO (S3)-Storage abgelegt. Containerisierung, Konfiguration und Deployment erfolgen über Helm Charts, die Synchronisation der Ressourcen über ArgoCD im GitOps-Modus. Die Entwicklung erfolgte agil nach Scrum: Pipeline-Stufen wurden in Sprints umgesetzt, Durchsatz und Qualität im Review mit Data Scientists evaluiert und Prioritäten daraus abgeleitet.
Rolle: Senior AI Engineer
Technologien: Python, TimescaleDB, PostgreSQL, Qdrant, Parquet, Minio (S3), vLLM, PyTorch, Kubernetes, ArgoCD, Helm Charts, Ubuntu, Scrum