Projektbeschreibung
Im Rahmen dieses Projekts wurde eine zentrale Plattform für das Training und den produktiven Einsatz 
von Machine-Learning-Modellen in einer gesetzlichen Krankenversicherung aufgebaut. Ziel war es, 
Trainingsdaten aus SAP HANA zu extrahieren und aufzubereiten, standardisierte Modelle zu trainieren, 
eine zentrale Modellverwaltung zu etablieren sowie die Modelle über Inferenzprozesse produktiv 
bereitzustellen. Das Projekt hatte Pioniercharakter und legte die Grundlage für die Skalierung weiterer 
Machine-Learning-Anwendungsfälle.
Die Plattform basiert auf einer containerisierten Architektur mit Docker auf OpenShift in AWS. Die 
Services wurden überwiegend in Python mit FastAPI umgesetzt. Für die Inferenz kamen Kubernetes 
Jobs sowie ein eigens entwickelter Kubernetes Operator in Go zum Einsatz. Als Speicherlösungen 
wurden AWS S3 für Trainingsdaten und Modelle sowie PostgreSQL für Metadaten verwendet, während 
MLflow als zentrale Modellverwaltung diente. Deployment-Prozesse wurden nach dem GitOps-Ansatz 
mit ArgoCD realisiert.
Mein Schwerpunkt lag auf der Weiterentwicklung und Standardisierung der MLDevOps-Infrastruktur 
sowie der Beratung zu Plattform- und Architekturthemen. Ich habe eine containerisierte Modell-Registry 
aufgebaut, die Build- und Deployment-Prozesse erweitert und eine skalierbare Umgebungsstruktur (Dev, 
QS) etabliert. Zudem habe ich die GitOps-Architektur mit ArgoCD weiterentwickelt, Keycloak integriert 
und GPU-Ressourcen (NVIDIA CUDA) inklusive eines standardisierten Base-Images für performantes 
Modelltraining bereitgestellt.

Tätigkeiten

? Erstellung von MLflow Pipelines
? Containerisierung von Python Applikation mittels Docker, UV & Jenkins
? Bereitstellung eines MLFlow Tracking Server Images mit externen S3 Speicher und PostgresDB in 
OpenShift Kubernetes
? Migration von Python Services von Poetry auf UV
? Automatisierung von Python Release Deployments in Jenkins & Nexus
? Konzeptionierung und Implementierung einer zentralen Lösung zur einheitlichen Erstellung von 
Python Images
? Erstellung von OnDemand Integrationstestumgebungen mittels ArgoCD PullRequest Generator
? Deployment von KeyCloak & KeyCloak Operator via Custom Helm Chart und ArgoCD
? Stabilisierung der Entwicklungsumgebungen durch Migration auf GitFlow und Schaffung neuer 
Entwicklungsumgebungen
? Bereitstellung von NVIDIA Cuda Ressourcen in OpenShift sowie Einbindung der Treiber in das 
Docker Image
? Scrum als Vorgehensmodell des Projekt- und Produktmanagements

Projektbeschreibung
Im Rahmen dieses Projekts wurde eine bestehende Versicherungssoftware für den globalen Einsatz neu 
entwickelt. Ziel war es, ein integriertes System zu schaffen, das das Policy Management mit dem Claim 
Management verbindet und gleichzeitig eine verbesserte Erfassung und Verwaltung von Risikoobjekten 
ermöglicht. Dadurch sollte eine konsistente Datenbasis geschaffen und die Effizienz zentraler 
Geschäftsprozesse im Versicherungsumfeld gesteigert werden.
Die Anwendung wurde als Java-Spring-Boot-basierte Microservice-Architektur umgesetzt und auf Azure 
Kubernetes Service (AKS) betrieben. Für die Integration und Kommunikation zwischen den Services kam unter anderem der Azure Service Bus zum Einsatz. Die CI/CD-Pipelines wurden mit Azure DevOps 
realisiert und umfassten den vollständigen Java-Build-Lifecycle mit Maven. 
Qualitätssicherungsmaßnahmen wie Code-Analyse (SonarQube), Code Coverage (JaCoCo) und 
Security-Scans (Veracode) wurden in die Pipelines integriert. Deployments erfolgten containerisiert mit 
Docker und Helm.
Mein Schwerpunkt lag auf der Konzeption und Implementierung der CI/CD-Infrastruktur für die neue 
Produktlinie. Dabei habe ich den Java-Build-Prozess automatisiert, Qualitäts- und Sicherheitsprüfungen 
in die Pipelines integriert und eine standardisierte Pipeline-Architektur auf Basis von Templates etabliert. 
Zudem habe ich Docker-Builds automatisiert, End-to-End-Testpipelines (Selenium, Playwright) 
aufgebaut und Release-Prozesse inklusive ServiceNow-Integration zur Nachverfolgung von 
Deployments standardisiert. Die Einführung von Continuous Delivery und Deployment erfolgte über 
GitOps mit ArgoCD und Helm auf AKS.

Tätigkeiten

? Verantwortlich für die Konzeptionierung und Integration der CI/CD
? Infrastruktur für die neue MVP-Produktlinie im Versicherungsbereich
? Automatisierung des Java Spring Boot Maven Build Lifecycles
? Integration von diversen Tools zur Steigerung der Build Qualität in die Integrationspipeline (JaCoCo, SonarQube, Veracode, Renovate-Bot)
? Speicherung der Build Artefakte in Azure Artifacts & Sonartype Nexus
? Automatisierung des Docker Builds mittels Packeto Buildpacks
? Vereinheitlichung der Pipeline-Infrastruktur durch die Verwendung von Templates
? Erstellung einer Pipeline zur Automatisierung von End-to-End UI Tests (Selenium Hub & Playwright)
? Automatisierung von ServiceNow Standard-Changes zur vereinfachten Nachverfolgung und Dokumentation von Softwarereleases. Inklusive Verlinkung von Staging-Deployments und E2ETestergebnissen
? Einführung von Continuous Delivery & Continuous Deployment in Azure Kubernetes Service (AKS) durch die Verwendung von ArgoCD & Helm

Projektbeschreibung
Im Rahmen dieses Projekts wurde eine stabile und hochverfügbare Kubernetes-Plattform für den Betrieb einer unternehmenseigenen Buchführungssoftware aufgebaut. Ziel war es, eine ausfallsichere 
Umgebung für Java-Spring-Boot-basierte Microservices sowie Python-basierte KI-Modelle 
bereitzustellen, einschließlich GPU-gestützter Workloads. Ein besonderer Fokus lag auf der Umsetzung 
eines hochverfügbaren Clusters über mehrere Verfügbarkeitszonen hinweg, um die Betriebssicherheit 
und Skalierbarkeit der Plattform nachhaltig zu gewährleisten.
Die Plattform basierte auf einem Rancher-verwalteten Kubernetes-Cluster (RKE) mit Integration in eine 
virtualisierte VMware-Infrastruktur. Deployments erfolgten nach dem GitOps-Ansatz mit ArgoCD, Helm 
und Kustomize. Es wurden zentrale Plattformservices wie Couchbase (NoSQL), Kafka (Strimzi), S3-
kompatibler Storage (MinIO) sowie Monitoring mit Prometheus und Grafana betrieben. Ergänzend kamen 
Nginx als Load Balancer und API-Gateway sowie verschiedene Backup- und Storage-Lösungen zum 
Einsatz. Zusätzlich wurde Tableau Server auf Red Hat Enterprise Linux betrieben und in bestehende 
Authentifizierungsmechanismen (Keycloak, OpenID Connect) integriert.
Mein Schwerpunkt lag auf der Administration und Weiterentwicklung der Kubernetes-Plattform sowie 
dem stabilen Betrieb der produktiven Umgebung. Dazu gehörten die Automatisierung von ClusterDeployments, das Management von Plattformservices und die Integration von NVIDIA-GPU-Ressourcen 
für CUDA-basierte Workloads. Ich habe Deployments standardisiert und automatisiert, Betriebsprozesse 
verbessert und aktiv am Bereitschaftsdienst zur Sicherstellung der Systemverfügbarkeit teilgenommen. 
Darüber hinaus war ich für den Betrieb und die Integration von BI-Services (Tableau), die Verwaltung 
von Datenquellen sowie die Automatisierung von Infrastruktur- und Wartungsprozessen verantwortlich.

Tätigkeiten

? Konzeption, Aufbau und Betrieb eines Rancher-basierten Kubernetes-Clusters (RKE)
? Automatisierung von Cluster-Deployments und Infrastrukturprozessen (VMware, Templates, Ansible)
? Deployment und Betrieb von Microservices mittels GitOps (ArgoCD, Helm, Kustomize)
? Integration und Betrieb zentraler Plattformservices (Couchbase, Kafka, S3 Storage, Monitoring)
? Bereitstellung und Integration von NVIDIA-GPU-Ressourcen für CUDA-basierte Workloads
? Implementierung von Monitoring- und Logging-Lösungen (Prometheus, Grafana)
? Evaluierung und Integration von Backup-, Storage- und Service-Mesh-Lösungen
? Betrieb und Integration von BI-Services (Tableau Server inkl. Authentifizierung & Datenquellen)
? Automatisierung von Betriebs- und Wartungsprozessen (Ansible, PowerShell)
? Sicherstellung des stabilen Betriebs durch Teilnahme am Bereitschaftsdienst