Entwicklung einer KI-Plattform zur Analyse und visuellen Aufbereitung von Unternehmensdaten (Rechnungen, Kunden, Bestellungen, IoT-Sensordaten). Abfragen in natürlicher Sprache, Antworten als automatisierte Diagramme und Tabellen.

• Entwicklung einer cloud-nativen SaaS-Plattform auf AWS (TypeScript + AWS CDK, Infrastructure-as-Code, Next.js) zur semantischen Analyse beliebiger Unternehmens­daten
• Nutzung von Amazon Aurora Serverless v2 (PostgreSQL 17) inkl. pgvector-Extension für kNN-Similarity-Search und Retrieval-Augmented-Generation (RAG)
• Entwicklung eines generative-AI Chat-Layers auf AWS Bedrock unter Nutzung eines LLM (Anthropic Claude), Natural-Language-Query-Parsing und dynamisches Prompt-Engineering
• Kontextabhängige Visualisierung der Ergebnisse des LLMs als Tabelle, KPI-Anzeigen (Gauges) oder Linien- bzw. Balkendiagramme
• Provisionierung von Serverless APIs (Amazon API Gateway v2 + AWS Lambda, Python) inklusive Data API-basierter CRUD-Lambdas und schema-gesteuertem Input-Validation
• Observability mit Amazon CloudWatch, Performance Insights, Anomaly Detection und zentralem Structured Logging (JSON) für schnelle Root-Cause-Analyse

Entwicklung einer ETL-Lösung zur zentralen Verwaltung aller HR-bezogenen Daten bei Siemens Energy - Ablösung des bestehenden SAP-Systems durch native AWS-Lösung

• Steuerung eines interdisziplinären Teams aus Frontend-, Backend- und Infrastruktur-Entwicklern
• Aufbau der gesamten Cloud-Infrastruktur mit AWS CDK (TypeScript) auf Basis von Infrastructure as Code (IaC)
• Steuerung des Datenflusses (Inbound, Konsolidierung, Outbound) und Implementierung einer durchgängigen Datenmanagement-Lösung
• Nutzung von Snowflake für konsolidierte Daten, Amazon DynamoDB für Metadaten (z. B. Schema-Definition, Supplier)
• Einsatz von SQL basierten Quality Rules und automatisierter Fehlerbehandlung für Datenvalidierung und Qualitätskontrolle
• Implementierung von ETL Pipelines mit AWS Step Functions und AWS Lambda (Python)
• Bereitstellung finaler Outbound-Daten über S3, SFTP, SnapLogic oder weitere Zielsysteme
• Nutzung von AWS CodeCommit / CodePipeline für Versionierung und Deployments
• Sichere Speicherung sensibler Daten durch Verschlüsselung mit AWS Key Management Service (KMS) und
• Verwaltung von Datenbank-Zugangsdaten über AWS Secrets Manager
• Integration von Generative AI mithilfe von AWS Bedrock

Entwicklung einer webbasierten Flottenmanagement-Software für Fahrzeugdiagnosegeräte (Tester)

• Aufbau und Erweiterung der Infrastruktur mit AWS CDK (TypeScript) auf Basis von Infrastructure as Code (IaC)
• Erstellung und Test von AWS Lambda Funktionen für den Licence-, Hardware- und Update-Service mit TypeScript, AWS SAM
• Erweiterung der AWS Architektur durch einen neuen Operations Service
• Aufbau der Kommunikation und Relation zwischen Tester und Werkstatt Server mit AWS SQS, AWS Lambda (TypeScript), Amazon Aurora Serverless (PostgreSQL)
• Prozessentwicklung zur Verteilung von Updates vom Porsche Werkstatt Server zu Tester
• Umzug der CI/CD Pipeline von AWS CodeCommit / CodePipeline zu GitLab
• Automatisierte Einhaltung von AWS Lambda Berechtigungen gemäß der Compliance Richtlinien
• API Eingabevalidierung für alle REST APIs in API Gateway

• Aufbau einer vollständig serverlosen Time-Series-Pipeline: Binance-API ? AWS Lambda (Python) ? AWS Timestream ? QuickSight zur interaktiven Auswertung von Zeitreihendaten
• Near-real-time Ingestion von ? 720 000 Bitcoin-Transaktionen pro Tag in Timestream (Memory + Magnetic Store)
  
• Auslösung von Timestream Scheduled Query (EventBridge) alle 10 Minuten zur Berechnung von KPIs
  
• Präsentierung der Lösung in der AWS-Community von MHP ? A Porsche Company (? 800 Mitglieder)

• Ausarbeitung und Dokumentation von Rollenkonzepten und IT-Sicherheitsanforderungen
• Bewertung, Analyse und Visualisierung der AWS Architektur

Entwicklung einer webbasierten Anwendung zur digitalen Auftragserfassung und Produktionsverfolgung im Bereich Druck und Verpackung

• Nutzung von Angular als Framework für die Frontend-Entwicklung und Angular Material für UI Komponenten
• Bereitstellung der Infrastruktur mit AWS CDK (TypeScript) auf Basis von Infrastructure as Code (IaC)
• Aufbau eines Serverless-Backends mit Amazon API Gateway, AWS Lambda (Python), Amazon DynamoDB
• Automatisierte Kunden- und Management-Benachrichtigungen bei Statusupdates mit CloudWatch Events und SNS
• Automatisierte Erstellung von Rechnungen und Lieferscheinen mit Speicherung in Amazon S3
• Integration mit externer Steuerberatungssoftware über APIs zur automatisierten Buchhaltungsdatenübergabe
• Entwicklung von ETL-Pipelines mit AWS Lambda und Step Functions zur Aufbereitung und Transformation von Produktions- und Auftragsdaten 
• Erstellung von BI-Dashboards mit Amazon QuickSight zur Visualisierung von Produktionsfortschritt, Umsätzen und Lieferzeiten
• Implementierung von Verkaufs- und Produktionsprognosen mit Amazon SageMaker zur Kapazitätsplanung
• Einrichtung von Monitoring und Alarmierung mit CloudWatch zur Sicherstellung von Performance und Verfügbarkeit

Technisch

Produktbezogen