Software Engineering & AI Portfolio
Diese vier abgeschlossenen Engineering-Projekte sind veröffentlichte Eigenentwicklungen und Arbeitsproben, keine kommerziellen Kundenreferenzen. Sie zeigen den Weg von skalierbarer Datenanalyse und klassischem Machine Learning über Deep Learning bis zu LLM-, RAG- und Agentic-AI-Systemen. Im Mittelpunkt stehen nicht isolierte Demos, sondern nachvollziehbare technische Systeme mit Tests, Evaluation, CI/CD und dokumentierten Grenzen.
Das aktuell stärkste AI-System ist der Secure Enterprise AI Assistant mit Hybrid Retrieval, Agenten-Orchestrierung, MCP-Tool-Integration, Guardrails und reproduzierbarer Offline-Evaluation. Parallel erweitere ich mein Profil aktuell um Data Engineering und anschließend um MLOps.
Abgeschlossene Projekte
4
Automatisierte Tests
241
Softwareentwicklung
Seit 2020
AI Engineering
Seit 2026
01
Security-orientierte Agentic-AI-Referenzarchitektur mit Hybrid Retrieval, CrewAI-Orchestrierung, FastMCP-Tools, deterministischen Finance- und Compliance-Services, Least-Privilege Tool Routing, Guardrails und reproduzierbarer Offline-Evaluation.
84 automatisierte Tests · Agentic AI · Hybrid Retrieval · Tool Integration · Offline Evaluation
02
Reproduzierbare Analyse von 10.269.540 Verbraucherbeschwerden aus der CFPB Consumer Complaint Database mit skalierbarer Datenverarbeitung, Data-Quality-Gates, Provenienz, automatisierter Evidence-Validierung und reproduzierbaren Analyseergebnissen.
35 automatisierte Tests · 10.269.540 Datensätze · Data Quality · Provenienz
03
Explainable-Machine-Learning-System für Credit-Risk-Analysen mit Histogram Gradient Boosting, Probability Calibration, Threshold-Optimierung, SHAP, Fairness-Audit, Robustheitsanalyse und reproduzierbarer Evaluation.
44 automatisierte Tests · ROC-AUC 0,781 · SHAP · Fairness · Robustness
04
PyTorch-basiertes Deep-Learning-Projekt zur Klassifikation von Finanzmarkt-Stressregimen mit chronologischer Evaluation, MLP-, LSTM- und Transformer-Modellen, Robustheits- und Temporal-Analyse sowie bewusst dokumentierten Modellgrenzen.
78 automatisierte Tests · MLP · LSTM · Transformer · chronologische Evaluation
Durchgängiger Engineering-Ansatz
Datenherkunft, Qualität, Splits, Transformationen und Datenmodelle werden nachvollziehbar dokumentiert und überprüft.
Modelle und AI-Systeme werden gegen geeignete Baselines, Testdaten, Ground Truth und dokumentierte Metriken bewertet.
Die vier abgeschlossenen Projekte umfassen zusammen 241 automatisierte Tests. Tests sind damit kein nachträglicher Zusatz, sondern Teil des Engineering-Prozesses.
Fehlerfälle, Explainability, Unsicherheiten, Trust Boundaries und bekannte Einschränkungen gehören zur Projektdokumentation.
Modulare Architektur, APIs, Fehlerbehandlung, Versionierung, CI/CD, Containerisierung und Reproduzierbarkeit gehören zur technischen Umsetzung der Projekte.
Engineering-Schwerpunkte
Die vier abgeschlossenen Projekte decken unterschiedliche AI-Engineering-Schwerpunkte ab: skalierbare Datenanalyse, klassisches Machine Learning, Deep Learning und agentische GenAI-Systeme mit MCP und Hybrid Retrieval.
Der Secure Enterprise AI Assistant verbindet LLMs, Retrieval, Agenten-Orchestrierung, Tool-Aufrufe, Guardrails, deterministische Services und Evaluation zu einer vollständigen AI-Systemarchitektur.
Unabhängig von diesen AI-Referenzprojekten steht meine professionelle Softwareentwicklung seit 2020: Backend-Systeme, Webanwendungen, APIs, Datenbanken, Shopware, E-Commerce und technische Webserver-Betreuung für Unternehmen und Agenturen.
Aktuelle Big-Data- und spätere MLOps-/LLMOps-Inhalte sind auf der Weiterbildungs- und Tech-Stack-Seite getrennt nach praktischer Erfahrung und geplanter Vertiefung dokumentiert; sie werden hier nicht als abgeschlossene Projekte ausgegeben.
Dokumentation und Quellcode
Projektstruktur, Datenfluss, Architekturentscheidungen, Tests, Evaluationen, Ergebnisse und Grenzen werden nachvollziehbar dokumentiert.
Alle vier abgeschlossenen Kernprojekte sind als versionierte GitHub-Releases veröffentlicht. Die Repositories zeigen neben Ergebnissen auch Architektur, Implementierung, automatisierte Tests, CI/CD, reproduzierbare Quality Gates und bekannte Grenzen der jeweiligen Systeme.
Kontakt und Projektbeginn nach Absprache
Ich bin offen für Festanstellungen im Software- und AI Engineering sowie für qualifizierte Freelance- und B2B-Projekte.
Besonders interessant sind Aufgaben rund um Python, LLMs, RAG, Agentic AI, MCP, Backend-Systeme, APIs, Datenintegration, Evaluation und produktionsnahe AI-Anwendungen.