Python, Backend & APIs
APIs, Automatisierung und Integration bestehender Systeme mit Tests, Dokumentation und nachvollziehbarer Übergabe.
AI Engineer · Software & Backend Developer · Freelance
AI Engineer & Backend Developer – Freelance.
Ich unterstütze Softwareteams und Unternehmen bei Backend- und API-Entwicklung, Python-Automatisierung und überprüfbaren LLM-/RAG-Integrationen: klar umrissene Aufgaben, dokumentierte Ergebnisse und saubere Übergabe. Professionelle Softwareentwicklung seit 2020 ist mein berufliches Fundament; Python nutze ich seit 2023, die gezielte AI-Spezialisierung läuft seit 2026.
- Python
- PHP
- Laravel
- LLM
- RAG
- Agentic AI
- MCP
- REST APIs
- PostgreSQL
- SQL
- PyTorch
- Docker
- GitHub Actions
- Software Engineering
Freelance & B2B
Drei Wege von der technischen Aufgabe zum überprüfbaren Ergebnis.
Ab sofort bis einschließlich 27.11.2026 stehen 16 Stunden pro Woche ausschließlich remote zur Verfügung. Ab Montag, 30.11.2026, bin ich zu 100 % verfügbar, regulär für 40 Stunden pro Woche; größere Stundenkontingente sind gesondert zu vereinbaren.
RAG & LLM-Wissenssysteme
Daten- und Retrieval-Pipelines, Quellenbezug, Fehlerfälle und Evaluation statt unbelegter Antwortversprechen.
AI Engineering & Qualität
Begrenzte AI-Funktionen, Guardrails, reproduzierbare Evaluation und kontrollierte Integration in vorhandene Software.
Portfolio-Projekte
Vier veröffentlichte Eigenprojekte. Ein durchgängiger Engineering-Ansatz.
Die vier veröffentlichten Kernprojekte bilden Agentic AI und Generative AI, skalierbare Datenanalyse, Applied Machine Learning sowie Deep Learning ab. Alle vier sind als versionierte GitHub-Releases abgeschlossen und über reproduzierbare Tests, Evaluationen und Quality Gates dokumentiert.
Aktuell erweitert das Big-Data-Modul diese Entwicklung um PostgreSQL, MongoDB, Neo4j, ETL und Datenpipelines sowie im weiteren Verlauf Apache Airflow, Apache Spark, PySpark, Spark SQL und Spark MLlib. Den letzten Weiterbildungsblock bildet MLOps mit Fokus auf Deployment, Automatisierung, Monitoring und den Betrieb von AI-Systemen.
Vier abgeschlossene AI-Projekte ansehen01
Secure Enterprise AI Assistant
Eigenprojekt · v1.0.2Security-orientierte Agentic-AI-Referenzarchitektur mit Hybrid Retrieval, CrewAI-Orchestrierung, FastMCP-Tools, deterministischen Services, Least-Privilege Tool Routing, Guardrails und reproduzierbarer Offline-Evaluation.
Python · CrewAI · FastMCP · MCP · FAISS · BM25S · Gradio · Docker
02
Consumer Finance Complaint Intelligence
Eigenprojekt · v1.0.1Reproduzierbare Analyse von 10.269.540 Verbraucherbeschwerden aus der CFPB Consumer Complaint Database mit skalierbarer Datenverarbeitung, Data-Quality-Gates, Provenienz und automatisierter Evidence-Validierung.
Python · Polars · SQL · Plotly · Data Quality · Evidence Validation · Testing · CI
03
Explainable Risk Intelligence
Eigenprojekt · v1.0.0Explainable-Machine-Learning-System für Credit-Risk-Analysen mit Histogram Gradient Boosting, Probability Calibration, Threshold-Optimierung, SHAP, Fairness-Audit und Robustheitsanalyse.
Python · scikit-learn · SHAP · Calibration · Fairness · Robustness
04
Deep Learning Critical Systems
Eigenprojekt · v1.0.1PyTorch-basiertes Deep-Learning-Projekt zur Klassifikation von Finanzmarkt-Stressregimen mit MLP-, LSTM- und Transformer-Modellen, chronologischer Evaluation, Robustheitsanalyse und Temporal-Analyse.
Python · PyTorch · MLP · LSTM · Transformer · Time-Series Evaluation · Robustness
Engineering-Prinzipien
Nicht nur Modelle trainieren. Systeme nachvollziehbar entwickeln.
-
01
Problem, Daten und Erfolgskriterien verstehen
Fachliche Anforderungen, Datenqualität, Risiken und messbare Erfolgskriterien werden vor der Auswahl von Modell, Retrieval-Strategie oder Agentenarchitektur geklärt.
-
02
Baselines und Systeme ehrlich evaluieren
ML-Modelle und GenAI-Systeme werden reproduzierbar gegen nachvollziehbare Baselines, geeignete Testdaten und fachlich passende Metriken bewertet.
-
03
Entscheidungen, Unsicherheiten und Grenzen erklären
Explainability, Fehlerfälle, Unsicherheiten, Trust Boundaries und Einsatzgrenzen werden transparent dokumentiert, statt nur Erfolgsmetriken hervorzuheben.
-
04
Software Engineering von Anfang an mitdenken
Tests, modulare Architektur, Versionierung, CI, Containerisierung und Reproduzierbarkeit gehören zum Systemdesign und nicht erst zum späteren Nachtrag.
Beruflicher Hintergrund
Softwareerfahrung als Grundlage für zuverlässiges AI Engineering.
Seit 2020 arbeite ich professionell und selbstständig in der Softwareentwicklung. Für Unternehmen und Agenturen habe ich Webanwendungen, Backend-Systeme, APIs, Shopware- und E-Commerce-Lösungen sowie datenbankgestützte Anwendungen umgesetzt und Webserver technisch betreut. Mit Python beschäftige ich mich seit 2023; seit 2026 liegt mein Schwerpunkt gezielt auf AI Engineering mit LLMs, RAG, Agentic AI, Machine Learning und Deep Learning.
AI-Engineer-Weiterbildung
Die Module Data Analysis, Applied Machine Learning, Deep Learning sowie NLP & Generative AI sind abgeschlossen. Aktuell absolviere ich das Big-Data-Modul mit PostgreSQL, MongoDB, Neo4j, ETL und Datenpipelines; anschließend folgt MLOps als letzter Block der Weiterbildung.
Weiterbildung ansehenVerfügbarkeit für Freelance-Projekte
Klarer Umfang, verlässliche Zeitfenster, direkte Abstimmung.
Ab sofort bis einschließlich 27.11.2026 sind 16 Stunden pro Woche möglich. Ab Montag, 30.11.2026, bin ich zu 100 % verfügbar, regulär für 40 Stunden pro Woche. Größere Stundenkontingente werden gesondert vereinbart. Der Richtstundensatz liegt bei 95 EUR netto, der Richttagessatz bei 760 EUR netto für acht Stunden.
Freelance-Projekte sind Remote-Only; regelmäßige Vor-Ort-Arbeit ist nicht vorgesehen. Eine Festanstellung bleibt ein separater möglicher Weg.