Profil- 15+ Jahre Berufserfahrung
- Schwerpunkt: Backend
- Abgeschlossenes Informatikstudium
- Langjährige Erfahrung in großen IT-Systemlandschaften (Siemens, Vodafone, E.ON etc.)
- Erfahrung im modernen Microservice-Stack (Rust, Go, TypeScript, React, Java, Spring-Boot, C#, .Net Core, Grafana, MongoDB, Github, CI/CD, Docker, Kubernetes, AWS)
- Lead-Developer Erfahrung
DIGITALE KOMPETENZEN- Frameworks und Libraries
- Frontend
- Backend
- Spring-Boot
- Lombok
- RXJava
- Open API (Swagger)
- Hibernate
- Object Relational Mapping (ORM)
- JUnit
- .NET Core
- Flutter
- Embedded
- Apple CarPlay
- Baidu CarLife
- Android Auto
- APIs
- Web Services (JSON, YAML, SOAP, REST)
- RESTful
- GraphQL
- Methoden
- Contract-First API
- Unit-Testing
- Test-Driven-Development (TDD)
- Behavior-Driven-Development (BDD)
- Monitoring und Logging
- Prometheus
- Grafana
- New Relic
- Appdynamics
- Tools
- CI/CD
- Kubernetes
- ArgoCD
- Docker
- SonarQube
- Sonatype Nexus
- IDEs/Editors
- Jetbrains (Intellij, Rider, GoLand, Clion)
- Visual Studio Code
- Visual Studio
- Postman
- Eclipse
- Notepad++
- Methoden
- Scrum/Kanban
- Atlassian (Jira, Confluence)
- Deployment
- GitLab
- GitHub
- Git
- SVN
- Perforce
- Other
- Figma/ PenPot
- Blender 3D
- Unreal Engine
- GIMP
- Linux
- InkScape
- LibreOffice
- ?Microsoft Office (MIcrosoft Office Word, Microsoft Office Excel, Microsoft Office PowerPoint)
Outdated technologiesZusammenfassungEine Vielzahl der aktuell digital verfügbaren Haushaltspläne ist in unstrukturierten Formaten eingebettet und daher nicht unmittelbar durch Rechner interpretierbar. Aus diesem Grund gewinnen Methoden der Informationsextraktion zunehmend an Bedeutung. Unser Ansatz kombiniert optische Zeichenerkennung mit ?Natural Language Processing? basierend auf maschinellen Lernmethoden zur Identifizierung von gesuchten Inhalten. Mithilfe einer regelbasierten Python-Applikation werden Informationen extrahiert und anschließend auf ?Google Maps? visualisiert. Zunächst beschreiben wir die Vorgehensweise zur Erstellung des Datenkorpus. Ein trainiertes ?Machine-Learning Natural-Language-Modell? (AutoML = Automated Machine Learning) wird eingesetzt. Eine Python-Anwendung verbindet alle für die Prozessierung relevanten Schritte. Unsere Methode bietet eine Effizienzsteigerung bei der Extraktion und Analyse von Haushaltsplänen.