Ausgewählte Projekte

• Direkte Zusammenarbeit mit dem CTO und dem Product Manager zur Analyse des bestehenden Delivery-Prozesses und zur Identifikation von Automatisierungspotenzialen.
• Prototyping und Vergleich einer tiefgreifenden agentischen LangChain-Architektur mit einer Claude-Code-Plugin-Architektur.
• Vorstellung der technischen Abwägungen und Mitwirkung bei der Entscheidung für den Plugin-basierten Ansatz.
• Entwicklung eines Claude-Code-Plugins mit spezialisierten Skills und Sub-Agents für Projektkontext, Planung, Implementierung, Salesforce-Flow-Generierung, Testgenerierung, Validierung und Deployment.
• Entwicklung eines MCP-Servers zur Anbindung von Microsoft OAuth, Salesforce OAuth und den Metadata APIs.
• Integration von Jira und Confluence, damit Agents mit Projektanforderungen und Engineering-Kontext arbeiten konnten.

• Entwicklung eines durchgängigen KI-gestützten Workflows, der Anforderungen aus Confluence und Jira übernimmt und daraus validierte, deploybare Salesforce Flows erstellt.
• Unterstützung sowohl neuer Salesforce-Implementierungen als auch Änderungen an bestehenden Kundenumgebungen.
• Sicherer Zugriff auf Salesforce-Kundenumgebungen über OAuth-basierte Integrationen.

• TypeScript
• LangChain
• Next.js
• React
• Tailwind CSS
• Deep Agents
• jsforce
• LiteLLM
• Monaco Editor
• NextAuth
• Prisma
• TanStack Query
• Zod
• OpenAI
• Claude Code
• Confluence
• Jira
• Langfuse
• MCP
• Microsoft OAuth
• MinIO
• PostgreSQL
• Salesforce Metadata API
• Salesforce OAuth

• Entwicklung von Application Services und APIs in TypeScript.
• Konzeption von Prompt- und Context-Engineering für produktive LLM-Workflows.
• Implementierung von RAG auf proprietären Kundendatensätzen.
• Entwicklung strukturierter Extraktions-Workflows mit LLMs und LangChain.
• Erweiterung der Datenplattform mit Databricks und Azure AI Search.
• Erstellung neuer Datenmodelle, Datensätze und Suchindizes für KI-Workflows.
• Implementierung von Prompt-Versionierung und sicheren Prompt-Releases für Produktionsumgebungen.
• Einführung von Langfuse für Prompt Management, Tracing, Metriken auf Graph-Ebene, Monitoring und Fehlererkennung.
• Etablierung von Integrationstests für verschiedene KI-Anwendungsfälle.
• Mitwirkung an der kundenseitigen React-Anwendung.

• Überführung des Systems von der Entwicklung in den Produktivbetrieb.
• Bereitstellung der Funktionalität als erweiterte kostenpflichtige Funktion der Expana-Plattform.
• Automatisierung wesentlicher Teile der Erstellung von Produktkostenmodellen.
• Etablierung produktionsreifer Prozesse für Tests, Observability und Prompt-Releases des KI-Systems.

• TypeScript
• LangChain
• LangGraph
• Next.js
• React
• Tailwind CSS
• BullMQ
• Drizzle
• Highcharts
• Prisma
• TanStack Query
• Zod
• Auth0
• Azure AI Search
• Databricks
• OpenAI
• Langfuse
• PostgreSQL
• RAG
• Redis

• Leitung des High-Level-Designs und der Architektur des neuen Produkts.
• Zusammenarbeit mit drei Product und Project Managern, um aus einem zunächst unscharfen Produktkonzept konkrete technische Anforderungen abzuleiten.
• Identifikation von Edge Cases und Systemverhalten, die im ursprünglichen Konzept nicht berücksichtigt waren.
• Leitung von Architektur-Reviews mit Partnerteams sowie Senior und Principal Engineers innerhalb von S3.
• Leitung eines Teams von 4–5 Engineers und Aufteilung der Architektur in unabhängige Subsysteme.
• Mentoring von Engineers sowie Begleitung bei Design und Implementierung einzelner Komponenten und Datenmodelle.

• Strukturierung des Systems in klar abgegrenzte Subsysteme mit definierten Schnittstellen und Verantwortlichkeiten.
• Ermöglichung der eigenständigen Konzeption und Implementierung einzelner Subsysteme durch mehrere Engineers.
• Etablierung wiederverwendbarer Engineering-Praktiken für das Design verteilter Datensätze.

Das System wurde im Wesentlichen vollständig implementiert. Anschließend wurde die Initiative aufgrund einer Produktentscheidung vor der öffentlichen Einführung pausiert.

• Java
• Kotlin
• Amazon EC2
• Amazon EMR
• Amazon S3
• AWS CDK
• AWS CloudFormation
• Apache Spark
• CI/CD
• DevOps
• Integration Testing
• Unit Testing

• Unterstützung eines neuen Engineering-Teams in Berlin bei der Übernahme der technischen und operativen Verantwortung für ein S3-Produkt vom ursprünglichen Team in Seattle.
• Verbesserung der operativen Stabilität und DevOps-Reife während des Ownership-Übergangs.
• Identifikation von Performance-Engpässen in großskaligen Datensätzen und Verarbeitungspipelines.
• Analyse architektonischer und konfigurativ bedingter Grenzen, die eine effiziente Skalierung von EMR-Clustern verhinderten.
• Beseitigung von Ressourcenkonflikten und Verarbeitungsengpässen, die erst bei sehr großen Clustergrößen sichtbar wurden.
• Konzeption und Implementierung einer dynamischen Spark-Konfigurations-Engine, die Runtime-Parameter anhand von Datensatzgröße, Workload-Eigenschaften und Clustergröße automatisch optimierte.

• Reduzierung der Laufzeit kritischer Workloads um bis zu 50 %.
• Entsprechende Senkung der Compute-Kosten.
• Effiziente Skalierung von Workloads auf mehr als 1.000 vCPUs.
• Reduzierung manueller Spark-Konfiguration und vorhersehbarere Ausführung bei unterschiedlich großen Workloads.

• Java
• Kotlin
• Amazon CloudWatch
• Amazon DynamoDB
• Amazon EC2
• Amazon EMR
• Amazon S3
• AWS CDK
• AWS CloudFormation
• Apache Spark
• CI/CD
• DevOps
• Hadoop
• Integration Testing
• Microservices
• Unit Testing
• YARN

• Entwicklung einer Datenpipeline zur Aufnahme von Produkten aus dem Amazon-Retail-Katalog.
• Implementierung mehrerer Enrichment- und Klassifizierungsstufen.
• Entwicklung automatisierter Logik zur Bewertung, ob Produkte als Geschenke geeignet sind.
• Filterung ungeeigneter, anstößiger, sensibler und wenig relevanter Produkte.
• Entwicklung zusätzlicher Klassifizierungsstufen zur Zuordnung von Produkten zu Kunden-Personas anhand demografischer Merkmale und Interessen.
• Durchführung eines erfolgreichen A/B-Tests zum Vergleich automatisierter Empfehlungen mit manuell kuratierten Empfehlungen.

• Das Experiment übertraf die manuell kuratierte Experience deutlich und führte zu einer höheren Conversion sowie zu mehr Produktkäufen.
• Rollout des ML-basierten Kuratierungssystems auf mehrere Amazon-Marktplätze.
• Reduzierung der Abhängigkeit von manuellem Merchandising und Automatisierung des Kuratierungsprozesses, wodurch ein skalierbarer Mechanismus zur kontinuierlichen Identifikation relevanter Produkte im sich wandelnden Amazon-Katalog entstand.

• Java
• Kotlin
• TypeScript
• Spring
• Spark MLlib
• Amazon EMR
• Amazon S3
• AWS CDK
• A/B Testing
• Apache Spark
• CI/CD
• Data Warehousing
• DevOps
• Elasticsearch
• Integration Testing
• Kibana
• Load Testing
• Penetration Testing
• Unit Testing

• Review der Architektur und des Betriebsmodells zur Identifikation von Zuverlässigkeits- und Skalierbarkeitsengpässen.
• Umsetzung der für Spitzenlast erforderlichen Architektur- und Performance-Verbesserungen.
• Vorbereitung des Systems auf reichweitenstarke Retail-Erlebnisse wie Oprah's Favorite Things.
• Einführung von Integrationstests und automatisierten Performance-Tests in CI/CD, End-to-End-UI-Tests, kontinuierlichen Production Canaries sowie kontrollierten Fault-Injection- und Recovery-Tests.
• Verbesserung von Observability, Release-Sicherheit und Wiederherstellung nach Ausfällen.
• Etablierung robusterer DevOps- und On-Call-Praktiken sowie Schulung von Engineers für die On-Call-Rotation.
• Leitung eines vollständigen Backend- und Frontend-Redesigns des internen Administrationsportals.

• Skalierung der Plattform auf mehr als 1.000 Transaktionen pro Sekunde.
• Verbesserung von Zuverlässigkeit und Verfügbarkeit in Produktion.
• Erkennung von Skalierbarkeits- und Latenzregressionen vor dem Produktivbetrieb durch automatisierte Performance-Tests.
• Verbessertes Recovery-Verhalten bei Ausfällen abhängiger Systeme.
• Beseitigung von Skalierbarkeits- und Betriebsengpässen der Administrationsplattform.

• Java
• Kotlin
• TypeScript
• React
• Spring
• Cypress
• Amazon CloudWatch
• Amazon DynamoDB
• Amazon EMR
• Amazon S3
• Apache Spark
• Canary Testing
• CI/CD
• Elasticsearch
• Fault Injection
• Integration Testing
• Kibana
• Load Testing
• Unit Testing

• Mitwirkung beim Aufbau eines neu gegründeten Engineering-Teams für das Produkt.
• Zusammenarbeit mit dem Product Manager und dem Engineering Manager zur Definition der ersten Produktausrichtung.
• Entwicklung eines funktionsfähigen interaktiven Reporting-Prototyps innerhalb von zwei Wochen.
• Präsentation des Prototyps in Seattle vor Kunden, Account Managern, Partnerteams und Senior Leadership.
• Leitung der technischen Teile von Kunden- und Stakeholder-Gesprächen.
• Mitwirkung bei der Sicherung von Freigabe und Finanzierung für die Produktentwicklung.
• Zusammenarbeit in einem achtköpfigen Engineering-Team zur Produktivsetzung des Prototyps.
• Definition der Low-Level-Architektur einzelner Plattformkomponenten.
• Entwicklung interaktiver Drill-down-Analysen über Kampagnen, Zielgruppen, beworbene Produkte und weitere Dimensionen hinweg.
• Mitwirkung an einem Offline-Analytics-System, das Performance-Lücken erkannte und Optimierungsempfehlungen generierte.
• Erweiterung des Systems um eine optionale Automatisierung, die ausgewählte Empfehlungen automatisch umsetzen konnte.

• Freigabe und Finanzierung des Prototyps für die Produktentwicklung.
• Bereitstellung des ersten produktiven Systems innerhalb weniger Monate.
• Etablierung eines Delivery-Rhythmus von etwa einer neuen Funktion alle zwei Wochen.
• Ablösung statischer Reports durch kontinuierlich verfügbare interaktive Kampagnenanalysen.
• Frühere Erkennung unterdurchschnittlich performender Kampagnen.
• Weiterentwicklung des Produkts von passivem Reporting hin zu automatisierter Kampagnenoptimierung.

• Java
• Kotlin
• React
• Spring
• Amazon DynamoDB
• Amazon S3
• AWS CDK
• AWS Lambda
• Apache Spark
• CI/CD
• DevOps
• Elasticsearch
• Integration Testing
• Load Testing
• Microservices
• Penetration Testing
• REST APIs
• Unit Testing

• Teil des ursprünglichen dreiköpfigen Engineering-Teams, das später auf acht Personen anwuchs.
• Mitwirkung bei der Überführung der Plattform von der initialen Entwicklung bis zum Produktionsstart innerhalb weniger Monate.
• Verantwortung für große Teile der Integration mit einem externen Website-Builder-Anbieter für Domain-Kunden.
• Konzeption der Integrationsarchitektur und Deployment-Strategie.
• Entwicklung von APIs zur Verbindung der Registry-Plattform mit dem externen Service.
• Aufbau umfangreicher unterstützender AWS-Infrastruktur mit Infrastructure as Code.
• Durchführung von Last- und Performance-Tests.
• Leitung von Security Reviews und Penetration-Testing-Aktivitäten.
• Koordination der Behebung von Security Findings vor dem Launch.
• Zusammenarbeit mit externen Anbietern und internen Partnerteams zur Definition von Integrationsverträgen und Klärung technischer Abhängigkeiten.

• Erfolgreicher Launch von registry.amazon.
• Unterstützung des Launches der Top-Level-Domains .moi und .bot einschließlich externer Website-Builder-Integration.
• Bereitstellung reproduzierbarer automatisierter Infrastruktur-Deployments.
• Validierung von Skalierbarkeit und Sicherheit vor dem Produktionsstart.

• Java
• JavaScript
• Python
• Spring
• Amazon CloudFront
• Amazon DynamoDB
• Amazon EC2
• Amazon Kinesis
• Amazon Kinesis Data Firehose
• Amazon Route 53
• Amazon S3
• Amazon SNS
• Amazon SQS
• AWS CloudDeploy
• AWS CloudFormation
• AWS Lambda
• CI/CD
• DevOps
• Integration Testing
• Load Testing
• Microservices
• Penetration Testing
• REST APIs
• Unit Testing