13.08.2026 aktualisiert
verifiziert
Premiumkunde
100 % verfügbarSoftware Developer / Machine Learning Engineer // Python
Darmstadt, Deutschland
Weltweit
M.Sc. Computer Science - TU DarmstadtÜber mich
Ich entwickle AI- und ML-Systeme, die im echten Betrieb laufen, unter anderem für Stromnetze und kritische Infrastruktur. Schwerpunkte: Machine Learning, Generative AI, MLOps und skalierbare Softwarearchitektur. Von der Konzeption bis zum stabilen Betrieb, auch in technischer Führungsrolle.
Skills
TimescaleDBAI AgentsArgo CDMLflowLLMHelmMLOpsLlamaIndexLangChainKünstliche IntelligenzApache AirflowMicrosoft AzureCUDAExploratives TestenPython
Überblick
- Seit 2014 in der Softwareentwicklung, seit 2018 Schwerpunkt Machine Learning und MLOps
- Fokus auf produktive ML-Systeme: Forecasting-Modelle für Solar- und Windenergie laufen im Kontrollzentrum eines Übertragungsnetzbetreibers
- Generative AI seit 2024: RAG-Systeme mit Milvus als Vektordatenbank, LLM-Serving mit vLLM und RayServe, Agentic Workflows mit LangChain und LlamaIndex
- MLOps und Plattformbetrieb über den gesamten ML-Lifecycle mit MLflow, Kubernetes, OpenShift, Helm, Argo CD und Terraform, bisheriger Fokus auf Azure Landschaften
- GPU-Infrastruktur für LLM- und Deep-Learning-Workloads mit NVIDIA CUDA und GPU Operator und effizientes Infrastruktur Serving für verschiedene Micro-Services
- Backends und verteilte Systeme mit Python, FastAPI, Kafka, PostgreSQL und TimescaleDB, dazu Grafana und OpenTelemetry für Observability
- Tech Lead von cross-funktionalen Scrum-Teams, verantwortlich für Architekturentscheidungen und die Abstimmung zwischen Data Science, Engineering und Fachbereich
Core Stack
Python · PyTorch · Kubernetes · Docker · MLflow · Azure · Terraform · Helm · Argo CD · FastAPI · Kafka · PostgreSQL · Grafana · OpenTelemetry · NVIDIA CUDA
Domänenerfahrung
Energie & kritische Infrastruktur · Pharma & Regulatory · Quantitative Finance
Sprachen
DeutschMutterspracheEnglischverhandlungssicherSpanischGrundkenntnisse
Projekthistorie
Entwicklung produktionsreifer RAG- und Agentic-AI-Systeme zur Verarbeitung regulatorischer Inhalte und Automatisierung von Geschäftsprozessen.
- Entwicklung von RAG-Systemen zur Verfolgung von Regelwerks- und Gesetzesänderungen.
- Aufbau und Betrieb einer Vektordatenbank für semantische Suche und Retrieval.
- Deployment und Serving verschiedener LLM-Modelle mit GPU-Beschleunigung.
- Integration von NVIDIA GPUs in Kubernetes sowie Optimierung des GPU-basierten Model Servings.
- Integration von RAG-Funktionalitäten in Chatbot-Systeme.
- Einbindung generativer KI in Geschäftsprozesse, z. B. zur automatisierten Angebotserstellung.
- Entwicklung von Agentic-AI-Systemen für mehrstufige, automatisierte Workflows.
- Fokus auf skalierbare, performante und produktionsreife GenAI-Infrastrukturen.
Tech Stack: Python, LangChain, Milvus, NVIDIA CUDA, PyTorch, Hugging Face Transformers, FastAPI, Kubernetes, Docker, Helm, vLLM, NVIDIA GPU Operator, Prometheus, Grafana, OpenTelemetry, RayServe
Konzeption und Umsetzung einer skalierbaren ML-Plattform für den produktiven Betrieb von Machine-Learning-Modellen im Umfeld von Hochspannungsnetzen.
- Entwicklung eines Inference Services zur Echtzeit-Ausführung und Orchestrierung von forecasting ML-Modelle.
- Entwicklung von Forecasting-Modellen für Solar- und Windenergie inklusive Training, Validierung, Versionierung und Model Lifecycle Management.
- Produktivsetzung der ML-Lösung für den operativen Einsatz in einer Netzleitstelle.
- Aufbau von Monitoring & Alerting mit Grafana und OpenTelemetry.
- Entwicklung eines Services zur automatisierten Datenqualitätsprüfung.
- Tech Lead eines cross-funktionalen Scrum-Teams sowie Verantwortung für Architekturentscheidungen und technische Abstimmungen.
- Regelmäßige Abstimmung mit Stakeholdern zur Ausrichtung der technischen Lösung an fachlichen und operativen Anforderungen.
- ==> Aktiver Betrieb der Lösung im Kontrollzentrum für Hochspannungsnetze
Tech Stack: Python, PyTorch, scikit-learn, Pandas, NumPy, FastAPI, MLflow, Azure ML/AI, Kubernetes, Docker, Kafka, ArgoCD, Helm, Azure DevOps, PostgreSQL, TimescaleDB, Grafana, OpenTelemetry, S3, .NET, SonarQube
Entwicklung einer skalierbaren, automatisierten Monitoring-Lösung zur Überwachung und Analyse von Niederspannungs-Stromnetzen. Die Anwendung wurde mandantenfähig konzipiert, um einen konzernweiten Rollout auf mehrere Netzgesellschaften bzw. Verteilnetzbetreiber zu ermöglichen.
- Konzeption und Entwicklung eines automatisierten Grid-Monitoring-Systems zur Erkennung und Analyse von Netzstörungen.
- Integration von Machine Learning und regelbasierten Verfahren zur automatisierten Störungserkennung.
- Entwicklung einer mandantenfähigen Architektur für den parallelen Einsatz bei mehreren Netzgesellschaften und DSOs.
- Skalierung der Lösung für einen konzernweiten Rollout und die Integration unterschiedlicher Datenquellen und Systemlandschaften.
- Einsatz von DevOps Methoden für Entwicklung, Deployment, Qualitätssicherung und Betrieb (Ci/CD, Kubernetes)
- Begleitung der Lösung von der Entwicklung bis zum produktiven Einsatz.
- Agile Zusammenarbeit im Scrum-Team sowie regelmäßige Abstimmung mit technischen und fachlichen Stakeholdern.
Tech Stack: Python, PyTorch, scikit-learn, Pandas, NumPy, FastAPI, Kafka, PostgreSQL, Azure, Kubernetes, Docker, ArgoCD, Helm, Grafana, SonarQube
Portfolio
exali Berufshaftpflicht-Siegel
Das original exali Berufshaftpflicht-Siegel bestätigt dem Auftraggeber, dass die betreffende Person oder Firma eine aktuell gültige branchenspezifische Berufs- bzw. Betriebshaftpflichtversicherung abgeschlossen hat.
Versichert bis: 01.07.2027