2008 ? 2010: Migration Pro*C auf PL/SQL, webbasierte Formularlösungen, Projektkoordination

Kunde: Steiermärkische Landesregierung

---

2003 ? 2008: Management-Informationssystem, Data Warehouse, unternehmensweites Reporting

Kunde: Johannesbad Rehakliniken AG (D)

---

2000 ? 2002: EU-Projekt ?e-Dynamics": E-Learning-Plattform,internationale Projektkoordination

Kunde: ACSE srl, Italien

---

1990 ? 1999: Warenwirtschafts- und Terminplanungssysteme auf Oracle/Unix

Kunde: Diverse Softwarehäuser
Rolle: Entwickler bis Bereichsleiter

---

---

KI-Referenzprojekte

2025 ? 2026: lokal betriebener KI-Assistent für Bank-Fragebögen
Kunde: KYC-Application
Rolle: Architektur und technische Gesamtverantwortung, Version 1.0 fertiggestellt

Aufgaben:
Treasury-Abteilungen erhalten von ihren Banken laufend KYC- und Onboarding-Fragebögen ? in wechselnder Form, in mehreren Sprachen, mit denselben Fragen in immer anderer Formulierung. Die Anwendung ordnet jede Frage einer freigegebenen Antwort zu, zieht die Fakten aus geprüften Stammdaten und meldet Widersprüche zur Datenbasis.

• Vollständig lokal im Netz des Kunden.
  • Im laufenden Betrieb verlässt kein Byte das Haus. Datenbank, Embedding-Modell und Anwendung laufen in Containern beim Kunden; kein externer Dienst auf dem kritischen Pfad.
• Mehrsprachig ohne Übersetzungsstufe.
  • Ein lokal betriebenes bge-m3-Embedding-Modell (1024Dimensionen) bildet Frage und Antwort in denselben Vektorraum ab ? eine griechische Frage findetdie englische Antwort direkt. Kombiniert mit rund 380 kuratierten Aliassen und Stichwortabgleich zueinem hybriden Verfahren.
• Gemessen statt behauptet.
  • Eigenes Messwerkzeug, das den Beitrag des Modells reproduzierbarausweist: derselbe Matcher zweimal über dieselben Fragen, mit und ohne Modell, samt Kontrollfrage,die nichts finden darf.
• Nachweisbar.
  • Hash-verkettete, änderungssichere Audit-Kette mit eigenem Prüfer in der CI. JedeModellausgabe ist ein Vorschlag mit Konfidenz, nie ein Schreibvorgang; freigegeben wird nach demVier-Augen-Prinzip.
• Betriebsreif.
  • Backup und Restore mit Wartungsfenster und Manifest, Zeitplanung über systemd und launchd, Installations-Runbook für Windows, Linux und macOS ? auf einem fremden Rechnerdurchgespielt, nicht nur geschrieben.
• Rechtlich vorbereitet.
  • Verfahrensverzeichnis nach Art. 30 DSGVO, AI-Act-Einstufung nach Art. 6(3) mit dokumentierter Begründung, Modell-Herkunft und Lizenzen geprüft und auf eine Revision festgeschrieben.

Kenntnisse:
Python, FastAPI, PostgreSQL + pgvector, Next.js/ React/ Bun, Docker Compose, MCP, bge-m3 (TextEmbeddings Inference), Microsoft 365 und Teams
-------------------------------------------------------------------------------------------------------------------
lokale KI-Referenzarchitektur (RAG + MCP + LLM)
Kunde: Ella-EDBank
Rolle: Architektur und Umsetzung

Aufgaben:
Vollständig lokale, datenschutzkonforme KI-Lösung auf Mac M1. RAG für unstrukturierte Dokumente (PDF, HTML, CSV, RTF) kombiniert mit MCP-Function-Calling für Kundendaten aus PostgreSQL. Lokales Sprachmodell (Mistral-7B-Instruct) über LM Studio, pgvector für die semantische Suche, Docker-Orchestrierung mit vier Containern.

Kenntnisse:
Python, FastAPI, PostgreSQL + pgvector, Docker, Mistral-7B, intfloat/multilingual-e5-small, FastMCP
-------------------------------------------------------------------------------------------------------------------
KI-gestützte Dokumenten- und Verkaufsassistenz
Kunde: LEADING AI

Aufgaben:
Such- und Dokumentenassistenz sowie automatische Erstellung von Angebots- und Verkaufsunterlagen. RAG für Produktdatenbanken und Vertriebsdokumente, MCP für die CRM-Datenanbindung.

Kenntnisse:
RAG + MCP, LLM, Dokumenten-Pipeline