Über mich
Ich bin Maik Hübner, Softwareentwickler aus Salzbergen. Software Engineering ist mein berufliches Fundament für moderne AI- und Python-Systeme: Seit 2020 arbeite ich professionell in der Softwareentwicklung, beschäftige mich seit 2023 mit Python und habe meinen Schwerpunkt 2026 gezielt auf AI Engineering erweitert.
Mein Hintergrund verbindet Backend- und Webentwicklung für Unternehmen und Agenturen, APIs, Webserver-Betreuung, Shopware, E-Commerce, relationale Datenbanken und Softwarearchitektur mit Python, Data Engineering, Machine Learning, Deep Learning, Generative AI, RAG und Agentic AI.
Mein Schwerpunkt liegt auf nachvollziehbaren und reproduzierbaren Systemen, bei denen Evaluation, Testing, technische Grenzen, Datenqualität und eine belastbare Softwarestruktur von Anfang an mitgedacht werden.
Für Freelancer-Projekte stehen ab sofort bis einschließlich 27.11.2026 16 Stunden pro Woche zur Verfügung. Ab Montag, 30.11.2026, bin ich zu 100 % verfügbar, regulär für 40 Stunden pro Woche; größere Kontingente werden gesondert vereinbart. Die Zusammenarbeit erfolgt ausschließlich remote und ohne regelmäßige Vor-Ort-Arbeit.
Mein Weg
Seit 2020
Selbstständige und freiberufliche Entwicklung für Unternehmen und Agenturen: Websites, Webanwendungen, Backend-Systeme, Shopware- und E-Commerce-Lösungen, individuelle Erweiterungen, APIs und Webserver-Betreuung. Dabei habe ich unter anderem mit PHP, Laravel, Symfony, MySQL, SQL, Git, Docker und REST-Schnittstellen gearbeitet.
2022–2023
In einer 540 Lehr- und Lernstunden umfassenden Weiterbildung zum PHP- und Laravel-Entwickler vertiefte ich objektorientierte Softwareentwicklung, SQL, relationale Datenbanken, MySQL und Laravel.
Die Weiterbildung schloss ich mit der Gesamtnote 1,3 – sehr gut ab. Die Bereiche Datenbanken & SQL, PHP Sprachkern und PHP-OOP wurden jeweils mit Note 1,0 bewertet.
Seit 2023
Seit 2023 beschäftige ich mich kontinuierlich mit Python und habe die Sprache zunächst für allgemeine Programmierung, Automatisierung, Datenverarbeitung und Data-Science-Themen eingesetzt. Seit 2026 bildet Python die zentrale technische Grundlage meiner AI-Engineering-Projekte.
Seit 2026
Die aktuelle Weiterbildung zum AI Engineer baut auf diesem Software-, Python- und Datenbankfundament auf und erweitert es systematisch um Data Analysis, Machine Learning, Deep Learning, NLP, Generative AI, RAG, Agentic AI, Big Data und anschließend MLOps.
Vier Kernprojekte aus Data Intelligence, Applied Machine Learning, Deep Learning und Agentic AI sind inzwischen als versionierte GitHub-Releases abgeschlossen. Zusammen umfassen sie 241 automatisierte Tests sowie CI/CD, reproduzierbare Umgebungen und technische Dokumentation.
Technisches Fundament
Mein AI-Profil beginnt nicht bei einem Notebook. Die vorherige Softwareentwicklung prägt bis heute, wie ich AI-Systeme strukturiere, integriere, teste und bewerte.
Softwareentwicklung
Backend & APIs
Backend-Entwicklung, objektorientierte Softwareentwicklung, Webanwendungen, REST APIs, Debugging, Git, Testing und containerisierte Entwicklungsumgebungen.
Python Engineering
Python für Data & AI
Python für Datenverarbeitung, Machine Learning, Deep Learning, LLM-Anwendungen, RAG, Agentic AI, Evaluation und automatisierte Tests.
Datenbanken & Data Engineering
SQL, PostgreSQL, MongoDB & Neo4j
Relationale Datenmodelle, SQL, MySQL, PostgreSQL, dokumentenorientierte Datenhaltung mit MongoDB, Graphdatenbanken mit Neo4j sowie ETL- und Datenverarbeitungsprozesse.
Engineering-Perspektive
Mehr als Modellcode
Datenhaltung, Schnittstellen, Fehlerbehandlung, Tests, Versionierung, CI/CD, Containerisierung und Wartbarkeit gehören für mich zur technischen Lösung und nicht erst zur späteren Integration.
AI-Engineer-Weiterbildung
Die Weiterbildung erweitert mein bestehendes Softwareprofil um die vollständige technische Kette moderner AI-Anwendungen.
Data Analysis
AbgeschlossenDatenanalyse, Datenqualität, explorative Analyse, Visualisierung und reproduzierbare Auswertung größerer Datensätze.
Applied Machine Learning
AbgeschlossenSupervised Learning, Modellvergleich, Cross-Validation, Tuning, Evaluation, Explainability und robuste ML-Workflows.
Deep Learning
AbgeschlossenPyTorch, neuronale Netze, Sequenzmodelle, LSTM, Transformer, Evaluation und Deep-Learning-Experimente.
NLP & Generative AI
AbgeschlossenNLP, LLMs, Embeddings, RAG, Hybrid Retrieval, Agentic AI, Tool Use, MCP, Guardrails und systematische Evaluation.
Big Data
Aktuelles ModulDas laufende Modul erweitert meine Datenbank- und Datenverarbeitungserfahrung um PostgreSQL, MongoDB, Neo4j, ETL und Datenpipelines. Im weiteren Verlauf folgen unter anderem Apache Airflow, Apache Spark, PySpark, Spark SQL und Spark MLlib.
Bereits bearbeitet: PostgreSQL mit Queries, Joins, Aggregationen, Window Functions, Data Modeling und Indexing, MongoDB mit CRUD und Aggregation, Neo4j mit Graphmodellen, Queries und Patterns sowie ETL-Konzepte und ETL-Verarbeitung mit Python.
MLOps & AI Systems Operations
Nächster BlockDen Abschluss der Weiterbildung bildet MLOps mit Fokus auf Deployment, Automatisierung, Monitoring, Reproduzierbarkeit und den zuverlässigen Betrieb von ML- und AI-Systemen.
Meine Spezialisierung
Mein Ziel ist nicht, möglichst viele Frameworks aufzuzählen. Entscheidend ist, unterschiedliche Technologien zu einer nachvollziehbaren technischen Lösung zu verbinden und deren Ergebnis messbar zu machen.
Die vier abgeschlossenen Portfolio-Projekte dokumentieren diesen Ansatz über Data Intelligence, Explainable Machine Learning, Deep Learning und ein Agentic-AI-System mit MCP, Hybrid Retrieval, Tests, CI/CD und Docker.
Daten verstehen und vorbereiten
Datenqualität, explorative Analyse, Datenherkunft, Datenmodelle und sinnvolle Features bilden die Grundlage belastbarer ML- und AI-Systeme.
LLM- und RAG-Systeme entwickeln
Retrieval, Embeddings, Hybrid Search, Dokumentverarbeitung und nachvollziehbare Quellenpfade werden als Teil des gesamten Anwendungssystems betrachtet.
Agentic AI kontrollierbar integrieren
Bei agentischen Systemen gehören Tool-Zugriff, MCP, Berechtigungsgrenzen, Guardrails, deterministische Services und klar definierte Human-in-the-Loop-Prozesse zur Architektur.
Modelle und AI-Systeme reproduzierbar evaluieren
Baselines, saubere Splits, geeignete Metriken, Ground Truth, automatisierte Tests und dokumentierte Vergleiche helfen dabei, tatsächliche Verbesserungen von scheinbar guten Ergebnissen zu unterscheiden.
Grenzen und Entscheidungen erklären
Explainability, Fehleranalyse, Unsicherheiten und Einsatzgrenzen sollen für technische und nichttechnische Beteiligte nachvollziehbar bleiben.
Den späteren Betrieb mitdenken
Tests, APIs, Container, Versionskontrolle, Continuous Integration, Packaging und Reproduzierbarkeit werden bereits während der Entwicklung berücksichtigt. Deployment, Monitoring und MLOps werden im abschließenden Weiterbildungsblock weiter vertieft.
Meine Arbeitsweise
Ein komplexeres Modell oder ein autonomerer Agent ist nur dann eine Verbesserung, wenn sich der zusätzliche Aufwand durch messbare Qualität, Robustheit oder einen konkreten fachlichen Nutzen rechtfertigen lässt.
Besonders bei sensiblen Anwendungen gehören Datenherkunft, Evaluation, Fehlerkontrolle, Erklärbarkeit, klar definierte Trust Boundaries und dokumentierte Einsatzgrenzen zur technischen Verantwortung.
01
Verstehen vor Automatisieren
Bevor ein Modell, Agent oder eine Automatisierung entsteht, müssen Problem, Datenlage, Ziel, Erfolgskriterien und mögliche Fehlerfolgen verstanden sein.
02
Nachvollziehbarkeit vor unnötiger Komplexität
Die technisch komplexeste Lösung ist nicht automatisch die beste. Modelle und Systeme müssen zum Problem, zum Risiko und zum späteren Einsatz passen.
03
Software Engineering gehört zur KI
Projektstruktur, Tests, Fehlerbehandlung, Schnittstellen, Versionskontrolle und Dokumentation sind ebenso Teil eines AI-Systems wie Modell, Retrieval oder Prompt.
04
Grenzen offen dokumentieren
AI-Systeme sind nicht fehlerfrei. Unsicherheiten, Fehlermuster, bekannte Schwächen und ungeeignete Einsatzbereiche müssen sichtbar und überprüfbar bleiben.
Zusammenarbeit
Ich suche eine langfristige Position oder ein passendes Freelance-/B2B-Projekt, in dem ich meine bestehende Software-Engineering-Erfahrung mit Python, Machine Learning, Generative AI und modernen AI-Systemarchitekturen verbinden kann.
Besonders interessant sind Aufgaben an der Schnittstelle von LLMs, RAG, Agentic AI, Daten, Backend-Systemen, APIs, AI-Systemarchitektur, Evaluation und dem Weg in einen zuverlässigen technischen Betrieb.
Entscheidend sind für mich technische Qualität, messbare Ergebnisse, nachvollziehbare Systeme und der tatsächliche Nutzen einer Lösung – nicht der Einsatz eines bestimmten Frameworks um seiner selbst willen.
Kontakt und Projektbeginn nach Absprache
Für Festanstellungen interessieren mich insbesondere Rollen als AI Engineer, Applied AI Engineer, Generative AI Engineer, AI Software Engineer, Machine Learning Engineer, MLOps Engineer, AI Platform Engineer oder in vergleichbaren AI-Engineering-Funktionen.
Im Freelance- und B2B-Bereich liegt mein Fokus auf Python- und Backend-Engineering, LLM-/RAG-Anwendungen, Agentic AI, MCP- und Tool-Integration, APIs, Datenintegration, Evaluation und automatisierten Tests.
Freelance- und B2B-Projekte sind Remote-Only; regelmäßige Vor-Ort-Arbeit ist auch bei anderen Modellen nicht vorgesehen. Für passende Aufgaben sind sowohl langfristige Zusammenarbeit als auch klar abgegrenzte Engineering-Projekte interessant.