MH Maik Hübner AI Engineer · Backend

Tech Stack & Engineering-Kompetenzen

Von Software Engineering und Backend bis AI, DevOps und LLMOps.

Mein technischer Schwerpunkt liegt an der Schnittstelle von Software Engineering, Python, Daten und modernen AI-Systemen. Technologien sind dabei kein Selbstzweck, sondern Bausteine für nachvollziehbare, testbare und wartbare Anwendungen.

Die aufgeführten Kernkompetenzen basieren auf professioneller Softwareentwicklung seit 2020, Python-Arbeit seit 2023, praktischer Weiterbildung und vier abgeschlossenen AI-Engineering-Projekten mit insgesamt 241 automatisierten Tests .

Engineering-Projekte ansehen Projekt oder Position anfragen

Softwareentwicklung

Seit 2020

Python

Seit 2023

AI Engineering

Seit 2026

Automatisierte Tests

241

01

Software Engineering & Backend

Backend-Systeme, Webanwendungen, APIs und E-Commerce

Professionelle Softwareentwicklung seit 2020 für Unternehmen und Agenturen: Backend-Entwicklung, Webanwendungen, Datenbanken, Schnittstellen, Shopware- und E-Commerce-Lösungen sowie technische Webserver-Betreuung. Python ergänzt diesen Stack seit 2023.

Nachgewiesene Praxis

  • PHP
  • Laravel
  • Symfony
  • Python
  • MySQL & SQL
  • REST APIs
  • Backend-Entwicklung
  • Webanwendungen
  • Shopware & E-Commerce
  • Webserver-Betreuung
  • Objektorientierte Programmierung
  • Fehleranalyse & Performance

02

Generative AI, RAG & Agentic AI

LLM-Systeme mit Retrieval, Agents, Tools und Guardrails

Seit 2026 vertiefe ich AI Engineering als zusätzliche Spezialisierung. Ein abgeschlossenes, versioniertes Referenzprojekt belegt die praktische Umsetzung von Hybrid Retrieval, Agenten-Orchestrierung, MCP-Tools, Guardrails und reproduzierbarer Offline-Evaluation.

Nachgewiesene Praxis

  • Large Language Models
  • Natural Language Processing
  • Embeddings
  • Retrieval-Augmented Generation
  • Hybrid Retrieval
  • FAISS & BM25S
  • CrewAI
  • Agentic AI
  • FastMCP & MCP
  • Tool Calling
  • Least-Privilege Tool Routing
  • Guardrails & LLM Evaluation

03

Machine Learning & Deep Learning

Modellierung, Evaluation, Erklärbarkeit und Robustheit

Zwei abgeschlossene, versionierte Projekte dokumentieren Applied Machine Learning und Deep Learning mit reproduzierbarer Evaluation, bewusst ausgewählten Metriken und transparent beschriebenen Modellgrenzen.

Nachgewiesene Praxis

  • scikit-learn
  • PyTorch
  • Regression & Klassifikation
  • Cross-Validation & Pipelines
  • Explainable AI & SHAP
  • Probability Calibration
  • Fairness Audits
  • Robustness Testing
  • Neuronale Netze
  • LSTM & Transformer
  • Time-Series Evaluation
  • Feature Engineering

04

Big Data & Data Engineering

Aktuelle Vertiefung

Datenbanken, ETL und skalierbare Datenverarbeitung

SQL, MySQL und datenbankgestützte Anwendungen gehören zum beruflichen Fundament. Im aktuellen Big-Data-Modul wurden PostgreSQL, MongoDB, Neo4j und ETL mit Python praktisch bearbeitet; Orchestrierung und verteilte Verarbeitung folgen als Vertiefung.

Nachgewiesene Praxis

  • SQL & MySQL
  • PostgreSQL
  • MongoDB
  • Neo4j
  • ETL mit Python
  • Datenmodellierung & Indexierung
  • Window Functions
  • Data Quality
  • Pandas, Polars & NumPy
  • Datenpipelines

In praktischer Vertiefung oder geplant

  • Apache Airflow
  • Apache Spark
  • PySpark
  • Spark SQL
  • Spark MLlib

05

Linux, DevOps & Infrastructure

Praxis + Vertiefung

Versionierung, Container und technische Betriebsgrundlagen

Git, Docker und technische Webserver-Betreuung sind Teil meiner bisherigen Software- und Projektpraxis. Linux Essentials und weiterführende Infrastrukturthemen werden im nächsten Weiterbildungsblock systematisch vertieft.

Nachgewiesene Praxis

  • Git & Version Control
  • GitHub
  • Docker
  • Container-Checks
  • Webserver-Betreuung
  • Reproduzierbare Entwicklungsumgebungen

In praktischer Vertiefung oder geplant

  • Linux Essentials
  • Linux Administration
  • Infrastructure Operations

06

MLOps, LLMOps & Deployment

Nächster Weiterbildungsblock

Qualitätssicherung heute, Operationalisierung als nächster Schritt

Die vier AI-Projekte belegen automatisierte Tests, GitHub Actions, Continuous Integration, Dependency Locks, Package- und Release-Checks sowie Docker. MLOps, LLMOps und produktiver Modellbetrieb sind klar als praktische Vertiefung gekennzeichnet, nicht als bereits nachgewiesene Produktionserfahrung.

Nachgewiesene Praxis

  • Automatisierte Unit Tests
  • pytest & Ruff
  • GitHub Actions
  • Continuous Integration
  • Docker
  • Dependency Locking
  • Package & Wheel Tests
  • Fresh-Clone Validation
  • Versionierte Releases
  • Evidence Validation

In praktischer Vertiefung oder geplant

  • MLOps & LLMOps
  • MLflow
  • CI/CD-Automatisierung
  • FastAPI
  • Monitoring
  • Model Deployment

07

Cloud Engineering

Geplante Spezialisierung

Microsoft Azure als geplante Cloud-Spezialisierung

Microsoft Azure ist als nächste Cloud-Spezialisierung vorgesehen. Aktuell beanspruche ich keine produktive Cloud-Erfahrung und keine Azure-Zertifizierung; beides wird erst nach belastbarer praktischer Anwendung entsprechend ausgewiesen.

In praktischer Vertiefung oder geplant

  • Microsoft Azure · geplant
  • Cloud Engineering · geplant

Engineering statt Tool-Sammlung

Technologie wird nach Problem, Risiko und messbarem Ergebnis ausgewählt.

Die technische Auswahl richtet sich nach Datenstruktur, Datenmenge, Integrationsanforderungen, Nachvollziehbarkeit, Laufzeit, Wartbarkeit, Sicherheitsanforderungen und dem tatsächlichen Ziel des Systems.

Ein deterministischer Service kann die bessere Lösung sein als ein LLM, wenn Berechnungen oder Regeln exakt reproduzierbar sein müssen. Ebenso ist nicht für jedes Problem ein komplexes neuronales Netz erforderlich.

Bei probabilistischen ML- und GenAI-Systemen gehören Evaluation, automatisierte Tests, Guardrails, Fehleranalyse, nachvollziehbare Evidence und dokumentierte Grenzen deshalb zur Architektur und nicht erst zum späteren Reporting.

Für AI- und Python-Projekte

Besonders relevant für produktionsnahe AI-Anwendungen.

LLM- und RAG-Anwendungen

Python, LLMs, Embeddings, Hybrid Retrieval, FAISS, BM25S, Evaluation und nachvollziehbare Quellenpfade.

Python, Backend & APIs

Softwarearchitektur, REST APIs, Datenbankintegration, Fehlerbehandlung, Tests und containerisierte Anwendungen.

Data & AI Engineering

SQL, PostgreSQL, MongoDB, Neo4j, ETL, Datenqualität, Machine Learning und reproduzierbare Datenverarbeitung.

Evaluation & Reliability

pytest, Quality Gates, Modell- und LLM-Evaluation, Robustness Testing, CI/CD und reproduzierbare Builds.

Praktische Anwendung

Der Tech Stack wird durch konkrete Engineering-Projekte sichtbar.

Die Projektseiten zeigen nicht nur verwendete Technologien, sondern auch Datenfluss, Architekturentscheidungen, Evaluation, Testing, Reproduzierbarkeit und bekannte Grenzen.

Vier Kernprojekte aus Data Intelligence, Applied Machine Learning, Deep Learning sowie Generative und Agentic AI sind als versionierte GitHub-Releases abgeschlossen und umfassen zusammen 241 automatisierte Tests.

Projekte ansehen

Kompetenzen passend einsetzen

Tech Stack und Aufgabe gemeinsam abgleichen.

Für Projekte zählt nicht die Länge einer Werkzeugliste, sondern die passende Kombination aus bewährter Backend-Praxis, AI-Eigenprojekt-Erfahrung und transparentem Weiterbildungsstand.

Senden Sie Ziel, vorhandenen Stack und gewünschten Umfang. Ich ordne ein, welche Aufgabe belastbar übernommen werden kann.

Projekt anfragen