Arbeit & Referenzen
Referenzen und Projekte.
KI-Generierung von Klemmbaustein-Modellen
Wie kommt man von einem Satz – und optional ein paar Referenzbildern – zu einem baubaren Klemmbaustein-Modell? Das habe ich in diesem Eigenprojekt ausprobiert und daraus eine multimodale KI-Anwendung gemacht, die aus natürlicher Sprache automatisch Klemmbaustein-Modelle generiert.
Im Kern orchestriert ein modellagnostischer Tool-Use-Harness verschiedene Open- und Closed-Weight-Modelle: Sie fordern Werkzeuge und Renderings an, analysieren Zwischenergebnisse und bessern ihre Modelle iterativ nach. Deterministische Validierungen für Stabilität, Kollisionen und Teileverfügbarkeit fließen als strukturiertes Feedback zurück. Am Ende stehen LDraw-Dateien zum Bauen und GLB-Modelle zur Visualisierung. Ich habe alles als Solo Developer konzipiert und umgesetzt – aktuell ist die Anwendung in einer Closed Beta mit echten Anwendungsfällen.
- Python
- OpenAI
- Anthropic
- Function Calling
- Prompt Engineering
- Multimodal AI
- LDraw
- GLB
Onlineshop und Fulfillment für Klemmbaustein-Sets
Einmal nicht nur Software bauen, sondern ein physisches Produkt verkaufen: Für eigene Klemmbaustein-Sets habe ich den kompletten Weg von der Online-Bestellung bis zur Auslieferung an Endkunden aufgebaut.
Der Webshop lief mit WooCommerce, inklusive Zahlungsabwicklung über WooPayments und Versand über DHL. Darüber hinaus ging es um vieles, was kein Code ist: Fertigung mit Partnern in China aufbauen, die Lieferkette zwischen China und Deutschland koordinieren und Bestell- und Fulfillment-Prozesse gestalten, die vom ersten Klick bis zum Paket funktionieren. Ein Projekt, das mir einen ganz anderen Blick auf „Produkt machen“ gegeben hat.
- WooCommerce
- WooPayments
- DHL
- Fulfillment
- Supply Chain
- Operations
Social-Media-Plattform für Klemmbaustein-Sets
Ein eigenes soziales Netzwerk für Klemmbaustein-Fans: In diesem Eigenprojekt habe ich eine Plattform gebaut, auf der man eigene Sets und Modelle veröffentlichen und entdecken kann – mit Likes, Kommentaren und Follow-Beziehungen.
Ich habe die vollständige Produkt- und Systemarchitektur verantwortet, vom Frontend mit Next.js und interaktiven 3D-Darstellungen in Three.js über das NestJS-Backend und die Authentifizierung mit Keycloak bis zur serverseitigen Rendering-Pipeline mit Headless Blender für die LDR-Modelle. Produziert wird auf einem selbst aufgebauten Kubernetes-Cluster bei Hetzner (Talos Linux, Cilium), PostgreSQL läuft mit CloudNativePG, Medien liegen im Hetzner Object Storage, Deployments kommen GitOps-basiert über FluxCD ins Cluster. Konzeption, Entwicklung und Betrieb – alles aus einer Hand.
- Next.js
- NestJS
- TypeScript
- Three.js
- Keycloak
- PostgreSQL
- Kubernetes
- Hetzner
Self-Service-Datenzugriff für Data Scientists
Produktionsdaten in Hülle und Fülle – aber der Weg dorthin war für Data-Science-Teams alles andere als einfach. Gemeinsam mit den Data Scientists habe ich die Anforderungen abgestimmt und eine Python-CLI als Self-Service-Datenzugriff entwickelt, die Datenquellen, große S3-Bestände und die zugrunde liegenden AWS- und SQL-Operationen hinter einer einheitlichen fachlichen Schnittstelle versteckt.
Ausgewählt wird nach Datenquelle, Datentyp, Werk und Zeitraum. Unter der Haube ermitteln automatisierte SQL-Abfragen mit Amazon Athena große Datenbestände, S3 Select selektiert gezielt innerhalb einzelner Objekte, und ETL-Prozesse mit AWS Glue bereiten die Rohdaten für nachgelagerte Analysen auf. Das Feedback der Nutzer ist direkt in die Weiterentwicklung eingeflossen.
- Python
- AWS Glue
- Amazon Athena
- Amazon S3
- SQL
- ETL
Shopfloor-to-Cloud-Ingestion für Produktionsdaten
Maschinendaten aus einem Shopfloor-Netzwerk in die AWS Cloud bringen – unter schwierigen Bedingungen: kein direkter Internetzugang, nur der Weg über den Unternehmens-Proxy. Dafür habe ich eine ausfallsichere Edge-Pipeline konzipiert und einen Collector in Go entwickelt.
Der Service lief als systemd-Dienst auf einer Linux-VM, las Produktionsdaten per MQTT (abgesichert mit Mutual TLS) und übertrug sie gebündelt als JSON nach Amazon S3. Eine Store-and-Forward-Architektur mit lokalem Buffering sowie Retry-, Recovery- und Quittierungsmechanismen stellten sicher, dass trotz Netzwerk-, VM- und Uploadfehlern nichts verloren geht. AWS IoT Greengrass haben wir evaluiert und uns dann bewusst für eine schlanke, kundenspezifische Implementierung entschieden.
- Go
- MQTT
- Mutual TLS
- Amazon S3
- AWS IoT
- Linux
Self-Service-Plattform für JupyterLab
Data Scientists sollten sich ihre Arbeitsumgebung selbst starten können: Dafür habe ich eine cloudbasierte Self-Service-Plattform konzipiert und entwickelt – mit Zugriff auf Daten, sicherem Dateiaustausch und bedarfsgerecht bereitgestellten, containerisierten JupyterLab-Umgebungen, alles über ein React-Frontend.
Der Einstieg war ein interaktiver UI/UX-Prototyp in Figma, danach folgten wiederverwendbare React-Komponenten, S3-basiertes File-Management mit Presigned URLs und eine per AWS Fargate dynamisch bereitgestellte JupyterLab-Infrastruktur, gesteuert über Lambda-Backends. Infrastruktur, IAM-Rollen und Policies habe ich mit AWS CDK und CloudFormation modelliert – und die fertige Lösung anschließend selbst dem Kunden präsentiert.
- AWS
- React
- JupyterLab
- AWS Fargate
- AWS Lambda
- AWS CDK
Observability und Monitoring für die Produktion
Wenn in der Produktion Daten fehlen, will man das wissen, bevor es jemand anderes merkt: Für einen deutschen Automobilhersteller habe ich eine zentrale Monitoring- und Observability-Lösung für cloudbasierte Produktions- und Shopfloor-Systeme konzipiert und implementiert.
Nach der Evaluation von AWS CloudWatch und New Relic fiel die Wahl auf New Relic als Basis einer standort-, account- und umgebungsübergreifenden Architektur. Dazu kamen AWS-Metriken über Amazon Data Firehose, wiederverwendbare Komponenten für parametrisierte Dashboards und Soll-Ist-Vergleiche, die ausbleibende Produktionsdaten erkennen. Distributed Tracing läuft über OpenTelemetry und AWS X-Ray, Alerts und Workflows sind automatisiert, und die Integration in die AWS-Multi-Account-Landschaft ist über restriktive IAM-Policies und Infrastruktur mit AWS CDK abgesichert.
- New Relic
- AWS
- OpenTelemetry
- AWS CDK
- TypeScript
- Distributed Tracing
Industrielle Simulationssoftware
Bei der inpro GmbH habe ich an der industriellen Simulationssoftware inpro Station gearbeitet – im Automotive-Umfeld und in einer bestehenden, technisch anspruchsvollen Codebasis.
Mein Schwerpunkt lag auf performanten Softwarekomponenten und Schnittstellen, insbesondere zwischen C++ und Python. Dazu kamen die Weiterentwicklung der CI/CD-Pipeline mit automatisierten Build- und Testprozessen sowie das Aufspüren und Beheben von Fehlern in einer umfangreichen Codebasis. Im Austausch mit technischen und fachlichen Stakeholdern habe ich entwickelte Komponenten dokumentiert und übergeben.
- C++
- Python
- CI/CD
- Git
- Linux