AI/Backend Engineer | Machine Learning Engineer

Konzeption und Umsetzung produktionsreifer LLM-Pipelines mit Google Gemini und OpenAI. Schwerpunkte: Schemagetriebene Prompt-Patterns, strukturierte Extraktion und schrittweise Integration in bestehende ETL- und Datenpipelines. Aktueller Fokus: KI-Anreicherung von B2B-Produktkatalogen (10.000–100.000 SKUs) für FlowCraftDB (Softwaregarage GmbH).

Entwicklung hochperformanter Services mit FastAPI, Motor (MongoDB) und Pydantic v2. Architektur von mandantenfähigen APIs unter konsequenter Einhaltung von Domain-driven Design (DDD), klarer Schichtentrennung und durchgehend typsicheren Schnittstellen.

Design skalierbarer Verarbeitungs-Pipelines auf Basis von AWS SQS und S3. Implementierung feingranularer Workflows (Ingest, Processing, Export) pro Datensatz inklusive robuster Fehlerbehandlung durch automatisierte Retries und Dead-Letter-Queues (DLQ).

Betrieb verteilter Services in AWS mit durchgängigem OpenTelemetry-Tracing nach Grafana Cloud (Logs, Metriken, Traces). Containerisierung mit Docker und CI/CD-Integration für robuste, reproduzierbare Deployments.

Entwicklung kompletter Webprodukte mit TypeScript, Next.js, React und Vite – von der Architektur und Datenmodellierung bis zum Deployment. Referenzen: Mandantenfähiges Anzeigetafel- und Live-Übertragungssystem (Hallcube), Praxis-Website (Zahnwerk Halle), B2B-Website (LED Taucha).

Python 3.12 (FastAPI, Pydantic v2, Motor, pytest, uv), TypeScript, SQL, Git, Docker. Google GenAI & OpenAI SDKs, AWS (SQS, S3), MongoDB, OpenTelemetry.

Code-Reviews, Systemdesign und Architekturberatung – spezialisiert auf die schrittweise Einführung von LLMs in bestehende Backends und ETL-Strecken, unter strikter Wahrung der Datenqualität bestehender Pipelines.

Umfangreiche Expertise in Data-Science- und Machine-Learning-Projekten auf Azure (Compute Clusters, Pipelines), Business-Intelligence-Dashboards (Power BI, Tableau) sowie Time-Series-Analyse und Leitung interdisziplinärer Datenprojekte zur Prozessoptimierung.