Weiterentwicklung einer sicheren Enterprise-KI-Assistenzplattform für Unternehmen, entwickelt in Deutschland und betrieben in EU-Regionen auf Basis von Azure OpenAI. Ziel der Plattform ist es, Mitarbeitenden einen DSGVO-konformen und zentralen Zugang zu generativen KI-Funktionen bereitzustellen, vergleichbar mit modernen KI-Assistenzsystemen wie ChatGPT, jedoch mit erweiterten Integrations- und Sicherheitsmechanismen für den Unternehmenseinsatz.

Die Lösung wird als Web-Applikation bereitgestellt und unterstützt unter anderem die Integration in Microsoft Teams sowie einen privaten Nutzungsmodus zur klaren Trennung von persönlicher und geschäftlicher Verwendung.

Funktional umfasst die Plattform verschiedene KI-gestützte Assistenzfunktionen wie Generierung von Textinhalten, Analyse und Zusammenfassung von Dokumenten, Recherche über externe Suchschnittstellen, Bildgenerierung sowie multimodale Eingaben (z. B. Sprache, Dokumente und Webinhalte). Zusätzlich wird Retrieval Augmented Generation (RAG) eingesetzt, um unternehmensinternes Wissen in Antworten einzubinden und fundierte Analysen zu ermöglichen.

Im Rahmen der Weiterentwicklung wurde außerdem an einer modularen Architektur für AI-Agents gearbeitet, einschließlich eines Prototyps für eine Agentic-AI-Plattform mit erweitertem Reasoning- und Reflection-System sowie einem Plugin-System für autonome Agent-Funktionen.

Ein zentraler Bestandteil dieser Architektur war die Implementierung einer Model Context Protocol (MCP)-Schicht zur strukturierten Verwaltung von Kontext und Tool-Integrationen in AI-Agenten. Diese wurde mit Technologien wie LangChain, LangGraph, Next.js und TypeScript umgesetzt.

Protocol (MCP)-Architektur. Kernbestandteil der Lösung ist eine in Java (Spring Framework) implementierte MCP-Backendlandschaft aus Servern und Tools, die Agenten um domänenspezifische Fähigkeiten erweitert.

Die Plattform erzeugt neben klassischen Textantworten auch strukturierte, semantisch  angereicherte Outputs, die im Frontend als Widgets bzw. Widget-Apps gerendert werden. Dadurch entstehen geführte Interaktionsabläufe, in denen Agenten Informationen automatisiert erfassen, Aktionen vorschlagen und relevante Felder vorbefüllen, bevor Nutzer die Eingaben final bestätigen.

Ergänzend umfasst die Lösung einen Trainings-Agenten zur Generierung dynamischer Lern- und Trainingspläne, die über das Widget-System im Frontend angepasst werden können. Ein integriertes Mentor-/Coaching-Modul stellt automatisch erzeugte Fortschrittsberichte zur Verfügung.

• Aufbau einer skalierbaren MCP-Backendlandschaft auf Basis von Java & Spring.
• Bereitstellung strukturierter AI-Outputs zur direkten Weiterverarbeitung im Frontend.
• Umsetzung intelligenter Interaktionsflows für Lernsysteme.
• Verbesserung der User Experience durch agentengesteuerte Datenverarbeitung.

Aufgaben

• Entwicklung von MCP-Servern und MCP-Tools in Java/Spring.
• Implementierung strukturierter Output-Schemas zur UI-Integration.
• Aufbau von API-Schnittstellen zwischen AI-Agent, Backend und Frontend-Widgets.
• Entwicklung logischer Komponenten für automatische Datenerkennung und Action-Vorschläge.
• Implementierung eines Trainings-Agenten inkl. Plan-Generator, Mentor-Tracking und Reporting.
• Zusammenarbeit mit Frontend-, Produkt- und AI-Teams zur End-to-End Integration.

Deployment & Infrastruktur

• Konzeption und Umsetzung einer containerisierten Deployment-Pipeline für die MCP-Backendlandschaft mit  auf .
• Implementierung automatisierter CI/CD-Prozesse mit Integration zu , sodass neue Versionen bei jedem Push automatisch gebaut und ausgerollt werden.
• Verwaltung der Systemkonfiguration über Environment-Variablen zur Sicherstellung konsistenter Deployments über verschiedene Umgebungen hinweg.
• Aufbau einer automatisierten Update-Pipeline für die kontinuierliche Weiterentwicklung der AI-Backend-Services.

Entwicklung einer web Anwendung zur Optimierung und Beschleunigung des Inventurprozesses. Die App ermöglicht den Import von Bestandslisten via Excel und bietet eine visuelle Validierung während des Scan-Vorgangs. Durch ein dynamisches Feedback-System (Fortschrittsbalken mit Farbindikatoren) können Abweichungen, fehlende Artikel oder Falschetikettierungen sofort identifiziert und korrigiert werden.

Ziel des Projekts:

• Signifikante Beschleunigung des physischen Inventur-Checks.
• Erhöhung der Datenqualität durch Echtzeit-Abgleich mit dem Systembestand.
• Reduzierung von Fehlern bei der Bestandsaufnahme und Etikettierung.

Aufgaben

• Entwicklung der Import-Logik für Excel-basierte Artikellisten.
• Implementierung der Scan-Funktionalität und der Logik zum Abgleich mit dem Soll-Bestand.
• Design und Realisierung des UI-Feedbacks zur Visualisierung des Fortschritts und des Status.
• Durchführung von Funktionstests zur Sicherstellung der korrekten Erkennung und Validierung der Artikel.

Konzeption und Entwicklung einer webbasierten Dashboard-Lösung zur Visualisierung und Verwaltung von Filial-Kennzahlen. Das Tool automatisiert die Erfassung kritischer Datenpunkte, die zuvor manuell gepflegt werden mussten, und bietet Store-Managern eine Echtzeit-Übersicht über die Performance ihrer Standorte. Durch die Integration automatischer Berechnungslogiken wurde die Fehleranfälligkeit bei der KPI-Ermittlung signifikant reduziert.

Ziel des Projekts:

• Zentralisierung der Store-Performance-Daten in einem interaktiven Dashboard.
• Automatisierung der Datenbefüllung zur Zeitersparnis und Fehlervermeidung.
• Bereitstellung valider Entscheidungsgrundlagen für das Filialmanagement.

Aufgaben:

• Architektur und Design der Datenbankstruktur sowie der Backend-Logik zur automatischen Datenverarbeitung.
• Entwicklung eines benutzerfreundlichen Frontends zur intuitiven Visualisierung komplexer Daten.
• Implementierung von Schnittstellen zur automatischen Extraktion und Transformation der Performance-Werte.

Entwicklung einer Architektur für eine Datenbankanwendung zum Speichern und Vergleichen großer N-Gramm-Korpora. Die Anwendung unterstützt den Vergleich und die Erweiterung von Informations-Extraktionsalgorithmen. Das Backend bietet eine flexible und erweiterbare Struktur, während das Frontend Grafiken erstellt, um unterschiedliche Korpora zu vergleichen. Nutzer können Korpora über eine Weboberfläche hochladen, verwalten und vergleichen.

Ziel des Projekts:

• Entwicklung einer flexiblen und erweiterbaren Datenbankanwendung zur Speicherung und Analyse von N-Gramm-Korpora.
• Unterstützung von Forschern bei der Informations-Extraktion und dem Vergleich von Korpora.
• Bereitstellung einer benutzerfreundlichen Weboberfläche zur Verwaltung und Analyse von Korpora.

Aufgaben:

• Design und Implementierung der Datenbankarchitektur.
• Entwicklung des Backends zur Datenverarbeitung und -speicherung.
• Erstellung des Frontends zur Visualisierung und Verwaltung der Korpora.
• Durchführung von Algorithmusvergleichen und -analysen.
• Implementierung von Benutzerfunktionen zur Verwaltung der Korpora.

Überführung einer bestehenden Backend-Lösung in eine interaktive Webanwendung mit verbesserter Nachvollziehbarkeit experimenteller Metadaten und KI-gestützter Strukturhilfe zur Positionierung neuer Elemente im Hierarchiesystem.

Ziel des Projekts:

• Entwicklung eines interaktiven Systems zur Verwaltung und Visualisierung von Metadaten.
• Verbesserung der Nachvollziehbarkeit und Zugänglichkeit experimenteller Daten.
• Unterstützung von Wissenschaftlern durch KI-gestützte Funktionen.

Aufgaben:

• Überarbeitung und Optimierung der bestehenden Backend-Lösung.
• Entwicklung des Frontends zur Visualisierung von Metadaten.
• Implementierung von KI-gestützten Funktionen zur Datenverwaltung.
• Durchführung von Tests und Qualitätssicherung.
• Bereitstellung von Benutzerfunktionen zur Verwaltung und Analyse von Metadaten.

Entwicklung und Evaluation von Machine-Learning-Modelle im Rahmen einer Python-Projekts (Pandas, NumPy, SciPy, scikit-learn, PyTorch). Fokus auf Datenaufbereitung und Feature-Engineering über Training und Validierung der Modelle bis zur Interpretation der Ergebnisse auf realen Datensätzen. Das Projekt umfasst die Klassifikation, Regression sowie neuronale Netze.

Ziel des Projekts:

• Anwendung theoretischer Kenntnisse im Bereich Machine Learning in praktischen Projekten.
• Entwicklung kleiner, funktionaler Modelle zur Lösung konkreter Aufgabenstellungen.
• Vertiefung der Kenntnisse im Umgang mit Python-Bibliotheken für Datenanalyse und Modellierung.

Aufgaben:

• Vorverarbeitung und Analyse von Datensätzen mit Pandas, NumPy und SciPy.
• Entwicklung und Training klassischer Machine-Learning-Modelle mit Scikit-learn.
• Umsetzung einfacher neuronaler Netze mit PyTorch.
• Evaluierung der Modelle anhand geeigneter Metriken.

Entwicklung einer serverbasierten Plattform für ein Forschungsteam, die vernetzte Maschinen automatisch erkennt und rechenintensive Workloads zuverlässig verteilt. Der Server verwaltet und startet Docker-Container zur standardisierten Ausführung der Tasks und nutzt ein ressourcenbasiertes Scheduling, um Jobs abhängig von verfügbarer CPU/GPU/RAM-Kapazität zu planen und Engpässe sowie Leerlauf zu reduzieren.

Ziel des Projekts:

• Entwicklung eines effizienten Task Scheduling Servers zur Verwaltung von Forschungsrechnern.
• Automatische Erkennung und Verwaltung vernetzter Maschinen.
• Optimierung der Ressourcennutzung durch intelligentes Task Scheduling.

Aufgaben:

• Design und Implementierung des Servers.
• Entwicklung von Algorithmen zur automatischen Maschinenerkennung.
• Verwaltung und Orchestrierung von Docker-Containern.
• Implementierung eines intelligenten Scheduling-Systems.
• Durchführung von Tests und Qualitätssicherung.

Entwicklung einer Backend- und Frontend-Lösung zur Analyse der Performance von Algorithmen. Ergebnisse von Benchmarks werden automatisch per API übertragen, gespeichert und visualisiert. Das Tool ermöglicht es Forschern, die Entwicklung und Effizienz von Algorithmen über Zeit und Git-Commits hinweg zu vergleichen.

Ziel des Projekts:

• Bereitstellung eines Tools zur kontinuierlichen Leistungsanalyse von Algorithmen.
• Automatisierung der Datenerfassung und -visualisierung.
• Unterstützung von Forschern bei der Bewertung und Optimierung von Algorithmen.

Aufgaben:

• Architektur und Design des Tools.
• Implementierung des Backends zur Datenerfassung und -speicherung.
• Entwicklung des Frontends zur Visualisierung der Ergebnisse.
• Integration von REST APIs zur Datenübertragung.
• Durchführung von Tests und Qualitätssicherung.