• Im Rahmen des Projektes wurde ein bestehender Prototyp weiterentwickelt und in den Produktionsbetrieb überführt
• Aufsetzen einer Buildpipeline für ein Deployment nach Kubernetes mit Hilfe GitLab CI
• Evaluierung verschiedener Cloud Anbieter
• Migration Datenbank von MySQL nach MongodB

Im Projekt wird ein Agent trainiert, der eigenständig an der Börse Aktien handelt. 

• Im Rahmen des Projektes werden Fragestellungen mit zur Verfügung stehenden Daten in verschiedenen Bereichen beantwortet.
• Mit Hilfe der Methoden der explorativer Datenanalyse werden Daten bereinigt (fehlende Werte, Ausreisser) und neue Daten aggregiert.
• Weitere Aufgaben sind die Entwicklung von Modellen mit Hilfe von Methoden des unüberwachten Lernens (Clustering, Featurereduktion)
• Deployment von Modellen bzw. Analyse-Dashboards auf Kubernetes

• Amazon füllt Suchseiten mit weitestgehend passenden bzw vermeintlich ähnlichen Produkten auf.
• Neue Produktnischen, für die bereits viele Produktesuchen abgesetzt werden, es aber noch keine passenden Produkte gibt können über die Metrik der Bildhomogenität erkannt werden.
• Es wurde deshalb ein Modell trainiert, um die Homongenität zu quantifizieren.
• Das Modell wurde über Keras (Python) basierend auf einem ResNet50 neuronalen Netz mit Hilfe Transferlearning trainiert.
• Das Modell wird anschliessend über eine Buildpipeline mit Hilfe von Deepleraning4J in Java importiert und als Microservice in die bestehende Microservicelandschaft bereitgestellt.

• Im Rahmen des Projektes wurde ein Microservice auf Basis von Spring Boot und DeepLearning4J erstellt, welcher die Qualität von Bildern auf Airbnb bewertet.
• Zunächst wurde eine Scraper auf Basis von Python entwickelt zum Aufbau einer Bilddatenbank (ca 15k Bilder).
• Die Bilder wurden anschliessend über Amazon Mechanical Turk (AMT) bewertet.
• Die Daten wurden in nachfolgenden Schritten in einer Exploratory Data Analysis (EDA) mit R analysiert und bereinigt.
• Mit den Bilddaten wurde anschliessend ein Convolutional Neural Network (CNN) in Python mit Keras angelernt.
• Es wurde dabei die Technik des Transferlearnings verwendet unter der Zuhiflenahme eines vorgelernten Neural Networks für generelle Imageästhetik,
  welches auf ResNet50 basiert.
• Das Training erfolgte auf einer GPU-Instanz in der AWS Cloud unter Zuhilfename einer Pipeline auf Basis von Jenkins.
• Das angelernte Modell wurde abschliessend in DeepLearning4J importiert und als Microservice über SpringBoot deployed.

• Im Rahmen des Projektes Connected Van wurden Microservices für die Geolocation von Fahrzeugen und für das Tanklogbuch entwickelt.

• Daten Analyse zur Beantwortung von businessrelevanten Fragen. Applikationsprototyp zur Vorhersage von Zahlungseingängen von Rechnungen (Machine Learning)

• Entwicklung einer Plattform zur Rechnungsverwaltung für Klein- und Mittelständische Unternehmen (KMU).
• Rechnungsmanagement umfasst den vollen Lebenszyklus von Rechnungen (Erstellung, Zahlung, Mahnwesen, Inkasso).
• Im Rahmen des Projektes wurden verschiedene Microservices auf Basis von Spring Boot erstellt.

• Entwicklung eines Microservices zur Anbindung eines Inkasso-Anbieters inkl. SinglePage-Frontend zur Adminstration des Services Entwicklung einer Plattform zur Rechnungsverwaltung für Klein- und Mittelständische Unternehmen (KMU).
• Rechnungsmanagement umfasst den vollen Lebenszyklus
  von Rechnungen (Erstellung, Zahlung, Mahnwesen, Inkasso)

• Entwicklung eines OAuth2-Microservices mit Adminitsrationsfrontend

• Evaluierung Microservices, Single-Page-Applikationen und Bau eines Prototypen für eine Rechnungsverwaltungsplattform

• Single-Page-Webapplikation (SPA) auf Basis von AngularJS im Frontend und Spring im Backend. Schnittstelle Backend/Frontend RESTful API, Vergleich verschiedener Persistierungsansätze (MySQL, MongoDB, neo4j)

• Im Rahmen der Neuimplementierung eines Buchungs- und Reservierungssystems waren Businessservices zu implementieren.

• Im Rahmen des Projekts wurde ein Lösung entwickelt, welches es ermöglicht Geld von einem Konto zu einem anderen Konto zu übertragen.
• Die Transaktion wird durch Scannen eines QR-Codes angetriggert.
• Ziel war es möglichst viele Mobilfunkplattformen zu unterstützen, weswegen eine Lösung mit einer Hybrid-App auf Basis von GWT, welche in native Mobilfunkapps eingebettet ist, gewählt wurde.

• Umsetzung einer Testumgebung zum technischen Antesten von Laufzeitumgebungen im Bereich Build & Deployment für eine große JavaEE-basierte Unternehmensanwendung

• Softwaredesign, Implementierung von Webservices, Pflege und Wartung der Rating-Engine.
• Im Bereich Mediation- und Rating, waren verschiedene Webservices zur Übergabe von Rechnungen an SAP zu implementieren

• Entwicklung von Workflows zur Persistierung der Stammdaten, Kanonische XML-Modell für Daten, Beschreibung von sonstigen Daten zur maschinellen Verarbeitung über RDF

EntwicklungvonFrontend-Activities,Serviceproxies,welchedie

auf XML-RPC basierenden Remote-Services von JIRA ansprechen.

Technologien:

Java EE, OOA, OOD, OOP, SOA, Java, Maven, Hudson, JUnit, EasyMock, Cobertura, Spring Framework, Spring Security, Eclipse, HSQLDB, JPA, Quartz, Subversion, AspectJ 5, Groovy, JIRA, Hudson, Artifactory, Confluence, Compass, Spring, JSF, Spring WS, SOAP Webservices, Burlap, Hessian, OSGi,  Tomcat, Resin, jetty, Mockito, EasyMock

EnfusionisteinerweiterbarerUnified-Messagingbzw.

Communication-Provider. Hierfür wurden neue Provider (Plugins) zum versenden von Nachrichten für Briefe, SMS und Fax entwickelt

Technologien:

Java EE, OOA, OOD, OOP, SOA, Java, Maven, Hudson, JUnit, EasyMock, Cobertura, Spring Framework, Spring Security, Eclipse, HSQLDB, JPA, Quartz, Subversion, AspectJ 5, Groovy, JIRA, Hudson, Artifactory, Confluence, Compass, Spring, JSF, Spring WS, SOAP Webservices, Burlap, Hessian, OSGi,  Tomcat, Resin, jetty, Mockito, EasyMock