// Verbindungsprotokoll
Erfahrung
Unsere Ergebnisse für die Organisationen, mit denen wir gearbeitet haben.
Unsere Ergebnisse für die Organisationen, mit denen wir gearbeitet haben.
Zunächst DevOps-Unterstützung für zahlreiche Projekte und Initiativen in der gesamten Organisation, später die Rolle des Architekten und Technical Lead zweier Enterprise-Plattformen. Die erste ist eine komplexe serviceorientierte R&D-Plattform, die kritische Geschäftsprozesse für über 1000 Nutzer trägt; an ihrer Entwicklung sind über 100 Personen beteiligt. Die zweite ist eine Multi-Cloud-Plattform für Datenanalyse und Reporting, in der Machine-Learning-Modelle Metriken, Transformationen und Vorhersagen liefern. Das Ergebnis: Teams, die mit Zuversicht releasen und die passenden Werkzeuge für ihre Anwendungsfälle selbst wählen.
Direkter Einfluss auf zentrale Architektur-, Entwicklungs- und plattformweite technische Entscheidungen. Entwurf der Plattform-APIs und der Microservice-Architektur sowie Begleitung der Entwickler durch die Umsetzung.
Entwurf und Test von Disaster-Recovery-Plänen für mehrere Projekte, gestützt auf Backup- und Aufbewahrungsmechanismen.
Voller Einblick der Teams in das Verhalten ihrer Anwendungen: eine Monitoring-Schicht auf dem Grafana-Stack mit Loki, Mimir und Tempo, OpenTelemetry im Anwendungscode mit einem wiederverwendbaren Instrumentierungs-Skill, detaillierte Dashboards und Frühwarn-Alerts sowie Schulungen, nach denen die Teams das Ganze eigenständig betreiben.
Ereignisgesteuerte Architektur nach der CloudEvents-Spezifikation, aufgebaut um Ressourcenobjekte. Domain-driven Design wird in jedem Modul konsequent angewendet. Vier große Module wurden über diese APIs in die Kernplattform integriert.
URN-basiertes Berechtigungssystem mit Zugriffshierarchien über sieben Ebenen. Benutzerverwaltung und Zugriffskontrolle, die die Plattform in einem reibungslosen Rollout für 700 Nutzer mit unterschiedlichen Rechten öffneten.
Architektur einer Enterprise-ML-Plattform für Datenaufbereitung, Transformation und Vorhersagemodelle über AWS und Azure hinweg. Die Plattform umfasst Chatbots, Agenten und agentische Workflows.
Orchestrierung und parallele Ausführung für die Datenteams im selben CI/CD-Prozess: Airflow für Pipelines, Ray und Spark für parallele und entfernte Workloads.
KI-Kommandozentrale: ein LLM-gestützter Wissens- und Projekt-Hub, eingeführt auf zwei Plattformen. Er bündelt Meetings, Git, Jira und Confluence, verwaltet Aufgaben und hilft, Produktionsprobleme zu analysieren und zu beheben. Ein Konversationsagent lässt jeden im Programm das Projekt im Chat kennenlernen. Das senkt den Bus-Faktor: Das Wissen über das Programm ist an einem Ort gebündelt, statt von wenigen Personen abzuhängen.
Agentische Oberfläche auf dem Vercel AI SDK, in der Nutzer Dashboard-Panels per Chat erstellen und bearbeiten, sowie eine weitere KI-Anwendung auf LangChain und Langfuse. Agenten bereiten Codeänderungen vor und führen DevOps-Aufgaben aus; jede Änderung wird geprüft, bevor sie in Produktion geht.
Vollständiges User-Tracking-System, entworfen und gebaut mit KI-gestützter Entwicklung. KI-Workflows, die plattformweit breit genutzt werden.
Wiederholbare Deployments über alle Projekte: GitOps mit Flux wurde zum Standard, und eine einzige Flux-Konfiguration verwaltet heute Kubernetes-Cluster und Deployments in AWS und Azure.
Reibungslose Migration von über 130 Services von Azure nach AWS auf dieses Deployment-Setup. Weitere 15–20 Services aus einem dritten Projekt auf dieselbe Plattform überführt und dessen improvisierter Entwicklungs- und Release-Prozess durch dieselbe Methodik ersetzt. Dessen Entwickler und DevOps-Support geschult, sodass sie die Lösung eigenständig betreiben können.
Dedizierte EKS-Cluster, die strenge Unternehmensvorgaben und -verfahren erfüllen, mit Zertifikatsautomatisierung über cert-manager und Traffic-Management über Envoy und die Gateway API.
Befähigung des Datenteams, Snowflake-Änderungen und Datenbewegungen wie jeden anderen Code über CI/CD auszuliefern: Terraform-Module und GitHub-Actions-Pipelines, dazu Beiträge zum agilen Release-Prozess.
Niedrigere Datenbankkosten durch gemeinsam genutzte RDS-Instanzen über Anwendungen und Umgebungen hinweg, per automatisierter, idempotenter Bereitstellung mit Liquibase. Zentrales Logging auf einem ELK-Stack über den Elastic Operator, seit über vier Jahren stabil im Betrieb.
Schnelle Behebung von Produktionsvorfällen. Performance-Probleme gelöst durch Skalierung von Infrastruktur und Service-Schicht, Codeoptimierung und selbst durchgeführte Lasttests.
Technologische Leitung der Plattformarbeit für Teams von über 30 Engineers und Prägung der Architektur eines Programms mit über 100 Personen. Mentoring für Entwickler wie DevOps-Engineers: ein Team von 10 DevOps-Engineers ausgebildet, von denen mehrere heute Seniors und Manager sind; das parallel gecoachte SRE-Team nutzt diese Muster in vielen Projekten. Schulung und Onboarding von Entwicklungs- und DevOps-Teams in einer global verteilten Organisation, von den USA über Europa bis Indien.
Übernahme der Lieferung der Vorhersageplattform für Banken eines Startups für Finanzrisikoanalyse und Weiterentwicklung einer frühen Codebasis zu einem produktionsreifen Produkt: Deployments vom Laptop ersetzt durch CI/CD, versionierte und getestete Builds und getrennte Umgebungen für sichere Releases. Der Eigentümer erhielt ein Produkt, das sich sicher ausliefern und Bankdirektoren vorführen ließ.
Verantwortung für den gesamten DevOps-Bereich. Deployments vom Laptop ersetzt durch CI/CD und automatisierte, versionierte und getestete Docker-Builds.
Flux- und GitOps-Deployments sowie Terraform für die AWS-Infrastruktur einschließlich Lambda und S3. Mehrere Umgebungen und Testverfahren für sichere Releases.
Beratung des Firmeninhabers zu Softwarelieferung und Release-Management. Präsentation und Pitch des Produkts in Verkaufsgesprächen vor Bankdirektoren.
Architektur einer Modellverwaltungsplattform zum Versionieren von ML-Modellen und zum Nachverfolgen ihres gesamten Lebenszyklus, der Reviews und Testergebnisse. OpenAPI- und Softwarespezifikationen erstellt mit Domain-driven Design. Leitung des Entwicklungsteams bei der Umsetzung.
Gestaltung einer Plattform aus Data-Science-Experimenten in Jupyter, einer Spark-Ausführungs-Engine und einem UI-Frontend. Versionierungs- und Release-Prozesse für Datenmodelle gemeinsam mit dem Data-Science-Team etabliert.
Leitung des Großteils der Backend-Entwicklung in Java mit einer GraphQL-API, einschließlich Spark-Integration und Fortschrittsverfolgung.
Refactoring einer vielschichtigen mehrphasigen Vorhersage-Pipeline, die sich in viele Schritte verzweigt und in mehrere Modelle zusammenläuft, zu gut getestetem, wartbarem Code. Große Teile der ursprünglichen Codebasis für Lesbarkeit und Zuverlässigkeit neu geschrieben.
Ein Backend für die Werbeplanung, auf das sich Outfront Media bei den digitalen Bildschirmen in den U-Bahnen von New York und Boston verlassen konnte: Datenmodell und APIs im Kern der Plattform, Request-Tracing über Services hinweg und Authentifizierung mit Audit-Logging.
Entwurf des Datenmodells und der APIs für zentrale Teile der Werbeplanungsplattform. Die Entwürfe wurden dem Entwicklungsleiter präsentiert und mit ihm abgestimmt und prägten so die Architektur des Systems.
Mitwirkung am Wechsel zu einer ereignisgesteuerten Architektur mit Kafka-Integration, für Performance und Skalierung.
Entwicklung von Kernfunktionen des Java-Planungsbackends. Distributed Tracing, mit dem das Team eine Nutzeranfrage bei der Fehlersuche über alle Serviceschichten verfolgen kann.
Authentifizierung, Autorisierung und Audit-Logging für die Plattform.
CI/CD-Pipelines gestärkt mit automatisierten Tests und Deployment-Konfiguration. Debugging und Weiterentwicklung der Services auf Kubernetes.
Mitarbeit an der AWS-Infrastruktur, einschließlich S3-Bereitstellung und Ausführung von Lambda-Funktionen.
Leitung von Entwicklung und Monitoring über die gesamte Plattform. Aufsicht über die Lieferqualität, sodass die Umsetzung den Spezifikationen entsprach.
Mentoring für die übrigen Entwickler im Team.
Architektur und technische Richtung beim Umbau der monolithischen Video-Streaming-Plattform von Sky zu Microservices, mit 10 Millionen aktiven Nutzern über On-Demand-Streaming, Live-Streaming und Downloads. Zwei Jahre zweiwöchentlicher Releases ohne ein einziges fehlerhaftes Release und ein Monitoring, das Probleme erkannte, bevor Kunden sie bemerkten.
Sechs Monate Mitglied des Architekturboards, das das Design der Kernservices der Plattform prägte.
Entwurf und Implementierung der Eingangstür der Plattform: API-Gateway und Download-Service. Sie orchestrieren Berechtigungen, Geolokalisierung, Stream- und CDN-Auswahl, Werbeeinblendung und Lesezeichen für jede Wiedergabeanfrage.
Aufbau der hochperformanten Java-Services, die hinter den Load Balancern den gesamten eingehenden Traffic als Erste abfingen, getunt durch Profiling.
Härtung des Circuit Breaking mit eigenen Timeout-Strategien und einem getesteten Wrapper um die Hystrix-Bibliothek. Ein Fehlerfall, den die Standard-Timeouts übersahen – eine Übertragung, die knapp unter dem HTTP-Timeout dahinkriecht –, wurde identifiziert, „network dribble“ getauft und mit einem zusätzlichen Timeout abgefangen.
Aufbau der Authentifizierungs- und Autorisierungsservices der Plattform, durchgehend in striktem TDD und BDD.
Verantwortung für die Delivery-Pipeline von Anfang bis Ende: Jenkins CI/CD, Infrastrukturkonfiguration mit Ansible und den Umstieg auf Docker-Container.
Zero-Downtime-Deployments auf AWS mit einem eigenen Python-Werkzeug, das EC2-Knoten hinter dem Load Balancer leerte, ersetzte und neu registrierte, sodass Releases den Betrieb nicht unterbrachen.
Zwei Jahre zweiwöchentliche Releases ohne ein einziges fehlerhaftes Release. Abgesichert durch gestufte Umgebungen und verpflichtende Lasttests vor jedem Release.
Aufbau eines proaktiven Monitorings mit einer Echtzeit-Health-Wall, Dynatrace und Grafana. Das Team erkannte und behob Probleme wiederholt, bevor Kunden sie bemerkten.
Leitung der Reaktion auf Produktionsvorfälle bis hinunter zur Netzwerkdiagnose auf Wireshark-Ebene über Load Balancer, Nginx und Services. In einem Fall wurden sporadische Fehler auf einen Load Balancer zurückgeführt, der Verbindungen fallen ließ, und auf nicht zusammenpassende Timeouts zwischen Balancer, Nginx und Service.
Fortführung des Projekts nach dem Weggang des Senior-Teils des Teams: Führung der Mid-Level-Entwickler, bis das Team neu aufgebaut war.
Rekrutierung, Schulung und Mentoring von Engineers in TDD, BDD und DevOps-Praktiken.
Java-Backend-Engineer auf einer führenden Online-Gaming-Plattform mit 5 Millionen Nutzern. Arbeit im Wallet-Team, das die Guthaben der Nutzer verwaltete: Sicherheit und Konsistenz des Spielergeldes bei 400–500 Operationen pro Sekunde.
Entwurf der Microservices und APIs für eine große Integration mit einem US-Partner. Jeder Service besaß seine eigene Datenbank, zentrale Funktionen wurden aus dem Monolithen herausgelöst.
Entwurf der APIs und Funktionen eines umfangreichen Systems zur Verwaltung von Wallets und Guthaben der Spieler. Es unterstützte mehrere Guthabenarten und flexible Wege für Nutzer, sie zu verwalten.
Aufbau stark optimierter Java-Services für 400–500 Operationen pro Sekunde.
Implementierung der Integrationsservices nach diesem Entwurf und Begleitung bis zum reibungslosen Start der Partnerintegration.
Arbeit in einer gut strukturierten, modularen Codebasis aus isolierten Bibliotheken. Betreuung der Build- und Testautomatisierungs-Pipelines.
Onboarding und Schulung neuer Engineers in der Codebasis und den Entwicklungspraktiken.
Unterstützung von HMRC dabei, Bürger im gesamten Vereinigten Königreich zu erreichen und zu authentifizieren: die Messaging-APIs hinter der Self-Assessment-Kommunikation und der latenzarme Identitätsdienst, von dem die gesamte Plattform abhing, in Scala im funktionalen Paradigma.
Entwurf der APIs und Geschäftsabläufe für plattformweites Messaging: Templating, Zustellverfolgung und Journaling der Nutzerinteraktionen.
Aufbau des Messaging-Service für Bürger, der sie über die App und per E-Mail erreicht.
Latenzarme Authentifizierung und feingranulare Autorisierung: der zentrale Identitätsdienst, von dem die gesamte Plattform abhing.
Optimierung des Durchsatzes mit asynchronem IO, Threading-Optimierung und paralleler Ausführung. Striktes TDD und BDD mit hoher Testabdeckung.
Konfiguration der Jenkins-Builds und CI mit automatisierten Testläufen in der Continuous Delivery. Deployment-Konfigurationsskripte der Anwendungen und Mitarbeit an der Release-Vorbereitung.
Mentoring für Junior-Entwickler und QA-Engineers.
Unterstützung von DWP bei der Überführung bestehender Leistungsprozesse in digitale Services auf Universal Credit, dem nationalen System der Ämter im ganzen Land, sicher ausgeliefert über gestufte Umgebungen mit TDD und BDD.
Analyse und Übersetzung bestehender Geschäftsprozesse in moderne digitale Services in Java. Mitgestaltung der Servicearchitektur bei der Digitalisierung dieser komplexen Abläufe.
TDD und BDD in einem agilen Lieferteam. Sichere Releases über gestufte Umgebungen.
Mentoring für die Junior-Entwickler und QA des Teams, wie schon bei HMRC.
Plattform-Engineer auf Nordeas interner Cloud-Plattform, einem Kubernetes-ähnlichen System zum Ausführen und Planen von Anwendungen. Sie beherbergte viele wichtige Projekte der Bank.
Aufbau der Software, die die interne Cloud der Bank bereitstellte und betrieb: Scheduling von Services und Workflows, Verwaltung virtueller Maschinen und Orchestrierung im Kubernetes-Stil für Teams in der ganzen Bank.
Aufbau der Kernsoftware der Plattform in Java, mit umfangreicher Python-Entwicklung und Skripting.
Mentoring für mehrere Junior-Entwickler über das gesamte Projekt.
Engineer auf Intels automatisierter Testplattform für USB-Geräte. Sie prüfte die neuesten Intel-USB-Chips gegen reale Geräte über vernetzte, ferngesteuerte USB-Umschalthardware.
Aufbau des Linux-Clients einer verteilten Testplattform, die Executor, mehrere Clients und vernetzte Switch-Geräte koordinierte. Verantwortung für diesen Java-Client in einem mehrsprachigen System neben C#-Server und Windows-Komponenten.
Nativer Linux-Treiber in C für ein spezielles USB-Gerät, das jeden USB-Gerätetyp emulieren konnte. Bluetooth-Client-Bibliothek mit Übertragungsprotokollen. Anspruchsvolle mutex-basierte nebenläufige Verarbeitung nah an der Hardware.
Reproduzierbarer Build und gemeinsame Versionskontrolle für das Projekt: Einführung von Maven und Umstellung des gesamten Projekts auf Git.
Technisches Fundament für einen großen Teil der späteren Plattformentwicklung. Ein erheblicher Teil der Funktionalität geliefert, der die Testmöglichkeiten der Plattform deutlich erweiterte. Mentoring für Junior-Entwickler.
Engineer für maschinelles Lernen und Computer Vision im Forschungsprojekt Mayday 2012. Aufbau der automatischen Krankheitserkennung in endoskopischen Videos in Partnerschaft mit der Medizinischen Universität Danzig.
Implementierung von Methoden zur Bildmerkmalsextraktion aus der Fachliteratur für den Aufbau von Trainings- und Erkennungsdatensätzen. Training und Bewertung von SVM- und neuronalen Netzmodellen nach Spezifität, Sensitivität, Präzision und Recall.
Entwicklung der automatischen Erkennung von Befunden wie Tumoren und Blutungen in endoskopischen Videos, in C++. Die Lern- und Erkennungs-Pipelines liefen als Jobs auf einem Supercomputer-Cluster.
C#-Viewer-Anwendung nach dem MVVM-Muster zur Durchsicht von Videos und erkannten Frames.
Enge Zusammenarbeit mit Gastroenterologen beim Labeln von Videoframes und beim Aufbau der Trainingsdaten.
Einbringen von Computer-Vision-Erfahrung aus der Masterarbeit über die Erkennung von Anomalien in Menschenmengen mit Optical Flow und OpenCV.
Erzählen Sie uns von Ihrem Projekt. Wir beginnen mit einem kurzen Gespräch.
SCHREIBEN SIE UNS{{tx.p8}}
{{bx.first}}
{{it.t}}
{{bx.first}}
{{it.t}}
{{bx.first}}
{{it.t}}
{{bx.first}}
{{it.t}}
{{bx.first}}
{{it.t}}
{{bx.first}}
{{it.t}}
{{bx.first}}
{{it.t}}
{{bx.first}}
{{it.t}}
{{bx.first}}
{{it.t}}