Description

Ihr KI-Pilot funktioniert in der Demo, ist aber noch nicht bereit für den zuverlässigen Betrieb?

Ich identifiziere Kosten-, Fehler-, Freigabe- und Compliance-Risiken und bringe KI-Piloten in 2–6 Wochen in Produktion - mit Monitoring, klaren Verantwortlichkeiten und Rollback.

Ich arbeite mit Mittelstand und Enterprise-Teams, die bereits einen konkreten Prozess, PoC oder funktionierenden Workflow haben: AI Agents, n8n-Automatisierungen, RAG-Systeme, Voice AI oder selbst gehostete Modelle.

Wobei ich Sie unterstütze:

1. Production-Readiness Audit

Ich prüfe Fehlerfälle, Betriebskosten, Freigaben, Monitoring, Rollback sowie DSGVO-, EU-AI-Act- und Data-Residency-Lücken. Sie erhalten eine schriftliche Bewertung mit priorisierten Risiken und einer konkreten Roadmap.

2. Production Build

Ich integriere den Pilot in Ihre bestehende Systemlandschaft – einschließlich APIs, Zugriffskontrolle, Audit Logs, Fehlerbehandlung, Dokumentation, Runbook und Handover.

3. Spezialisierte KI-Systeme

Voice- und Chat-Agents, PII-Redaction, RAG, Multi-Agent-Systeme und KI-Automatisierung mit n8n, Python, TypeScript und APIs.

Belegte Ergebnisse:

• Deutscher PII-Redactor: Entity-F1 von 0,375 auf 0,917

• 100 % valides JSON in der getesteten Pipeline

• Self-hosted Voice AI: 0,3 Sekunden Antwortzeit in einer EU-VPC

• 12 Initiativen und 2,4 Mio. € Portfolio transparent priorisiert

• 19 Jahre Enterprise-IT-Erfahrung

So arbeite ich:

Innerhalb von 24 Stunden erhalten Sie einen schriftlichen Scope mit Ergebnis, Meilensteinen, Abnahmekriterien, Zeitplan und Festpreis – oder ein klares Nein mit Begründung. Die Umsetzung erfolgt pro abgenommenem Meilenstein; jeder Meilenstein ist einzeln stoppbar.

Technologien: Claude, Azure AI Foundry, n8n, Python, TypeScript, LangGraph, Qdrant, SAP BTP, HubSpot, Salesforce und selbst gehostete LLMs.

Schreiben Sie mir kurz, welcher Prozess oder Pilot produktionsreif werden soll, was bereits funktioniert und was den Go-live aktuell verhindert.

Industry field of expertise

Languages

German
Native or bilingual
English
Native or bilingual

Workplace preferences

Remote only

Primarily works remotely

Graphic Packaging International
Enterprise Architect | Head of AI
DIGITAL AND IT
September 2024 - Today (1 year and 10 months)
Berlin, Germany
Transformationsportfolios werden in Excel gesteuert und im Quartals-Offsite neu priorisiert — Budget folgt dem lautesten Stakeholder, nicht dem größten Wertbeitrag.

Lösung: Composite-Scoring-Engine (4 gewichtete Dimensionen) + Capability-Reifegrad-Modell (Prozess / People / Technologie / Daten) + KI-Empfehlungsschicht mit nachvollziehbarer Begründung + Live-Portfolio-Dashboards. Read/Write-Integration mit dem EAM-Katalog (LeanIX, ServiceNow APM, Ardoq). Deployment on-prem oder Private Cloud.

Ergebnis:
• 12 Live-Initiativen über 4 Dimensionen gescort, Portfolio €2,4M
• Scoping: 4–6 Wochen Workshop → Minuten (KI-vorgeschlagen)
• Repriorisierung: Quartals-Offsite → bei jeder Metadatenänderung
• Allokation transparent: 67% committed / 21% planned / 12% frei

Stack: Composite Scoring, Capability Radar, LLM-Empfehlungsschicht, LeanIX / ServiceNow APM / Ardoq APIs.
AI Automation IT Architecture artificial intelligence LLM Microsoft Azure
Graphic Packaging International
Solution Architect | AI Solutions
DIGITAL AND IT
February 2022 - September 2024 (2 years and 7 months)
Berlin, Germany
SAP-Produktivdaten fließen in Dev/QA/Training. Deterministische Masking-Tools (SAP TDMS, Delphix, Informatica) decken ~95% strukturierter Spalten ab — Lücken bleiben bei Freitext-NOTES, unklassifizierten Z-Tabellen und OCR-Scans. Ein General-LLM über 100% der Daten ist wirtschaftlich nicht tragbar.

Lösung: Feinjustierter deutscher PII-Redactor (LoRA-Adapter auf Qwen2.5-1.5B) als Drop-in-Layer NACH dem deterministischen Masking. Routet Freitext und unklassifizierte Spalten ans Modell, liefert strukturiertes JSON (redigierter Text, Entity-Klassen, Risiko-Level, Review-Flags) für 12 deutsche Entity-Typen. Läuft vollständig auf Kunden-Hardware (150 MB Adapter), DSGVO-konform by design.

Ergebnis:
• Entity-F1: 0,375 → 0,917 (2,4× besser als Baseline)
• JSON-Parse-Validität: 81% → 100%
• Risk-Level-Exact-Match: 0,50 → 0,94
• Training: ~90 Min auf einer RunPod A40; Inferenz auf einer Consumer-GPU

Stack: Qwen2.5-1.5B-Instruct, LoRA / PEFT / TRL, Pydantic-validiertes JSON, HuggingFace Hub, Apache 2.0.
artificial intelligence LLM Agentic AI AI Automation Microsoft Azure
Graphic Packaging International
Information Technology System Administrator
DIGITAL AND IT
January 2012 - August 2020 (8 years and 7 months)
Berlin, Germany
Led the migration of 2,500 mailboxes across two Microsoft 365 tenants, covering 30 locations and 5 languages. Took the technical lead, built the project plan, delegated to external contractors, and coordinated rollout across time zones until every mailbox was moved.
Kubernetes Microsoft Azure Python Integration Engineer Software Development