AI Engineering für intelligente Anwendungen.
Ich entwickle und integriere KI-Funktionen, die bestehende Daten, Anwendungen und Geschäftsprozesse sinnvoll erweitern – von intelligenten Assistenten bis zu automatisierten Analyse- und Entscheidungsworkflows.
KI sinnvoll in bestehende Produkte integrieren.
Mein Full-Stack-Hintergrund in Backends, Frontends, APIs, Datenbanken, CMS, E-Commerce und DevOps bildet die Grundlage meiner Arbeit mit künstlicher Intelligenz. Dadurch entstehen keine isolierten AI-Demos, sondern integrierte Funktionen, die in realen Anwendungen zuverlässig betrieben werden können.
Der Schwerpunkt liegt auf Applied AI: Modelle und AI-Dienste werden mit vorhandenen Datenquellen, Regeln, Schnittstellen und Benutzeroberflächen verbunden. Strukturierte Ergebnisse, nachvollziehbare Evidenz und menschliche Kontrolle bleiben dabei Teil der Architektur.
Von Daten zu zuverlässigen AI-Funktionen.
Technische Schwerpunkte für KI-gestützte Anwendungen, Automatisierung und datenbasierte Entscheidungsunterstützung.
LLM-Anwendungen & Assistenten
Kontextbezogene AI-Funktionen und intelligente Assistenten mit klaren Aufgaben, kontrollierten Datenzugriffen und strukturierten Ergebnissen.
- Generative AI & LLM APIs
- Prompt & Context Engineering
- Structured Outputs
AI-Workflows & Automation
Wiederholbare Abläufe, in denen AI Daten analysiert, Inhalte verarbeitet oder Empfehlungen erzeugt – zeitgesteuert, ereignisbasiert oder manuell gestartet.
- Workflow-Orchestrierung
- Tool- & API-Integration
- Human-in-the-loop
AI Analytics & Decision Support
Verbindung operativer Daten und Analytics-Signale mit AI-gestützter Interpretation, Priorisierung und nachvollziehbaren Handlungsempfehlungen.
- Datenaggregation
- Insights & Priorisierung
- Evidenzbasierte Ausgaben
Integration & Data Engineering
Einbettung von AI in bestehende Webanwendungen, CMS- und Shop-Systeme über wartbare APIs, Datenpipelines und Backend-Prozesse.
- APIs & Datenbanken
- CMS & E-Commerce
- Backend-Integration
Production AI & LLMOps
Produktionsorientierte Umsetzung mit Validierung, Caching, Logging, Zugriffsschutz, Monitoring sowie kontrollierbaren Kosten und Laufzeiten.
- Evaluation & Observability
- Security & Privacy
- Deployment & Betrieb
AI-Workflows, die im Alltag funktionieren.
Analyse- und Insights-Workflows
Daten werden regelmäßig zusammengeführt, normalisiert und von einem Sprachmodell in priorisierte Beobachtungen und Empfehlungen übersetzt.
Intelligente Assistenten
Assistenten kombinieren fachlichen Kontext mit strukturierten Ausgaben und angebundenen Daten oder Werkzeugen, ohne die Kontrolle über kritische Aktionen abzugeben.
Content- und SEO-Workflows
Technische Signale, Inhalte und messbare Daten werden getrennt erfasst, anschließend semantisch eingeordnet und für die menschliche Prüfung vorbereitet.
Workflow oder Agent?
Vordefinierte Verarbeitungsschritte werden als AI-Workflow umgesetzt. Agentische Muster kommen dort infrage, wo das System innerhalb klarer Grenzen selbst Werkzeuge oder nächste Schritte auswählen soll.
Produktionsreife statt AI-Demo.
Der eigentliche Engineering-Aufwand beginnt dort, wo ein Prototyp zuverlässig Teil eines Produkts werden soll. Eingaben benötigen nachvollziehbare Datenquellen, Ausgaben ein validierbares Schema und Fehler einen kontrollierten Fallback.
Caching verhindert unnötige Modellaufrufe in Benutzeroberflächen. Persistenz, Input-Versionierung und Logs machen Ergebnisse reproduzierbarer. Zugriffsrechte, Datenschutz und begrenzte Datenweitergabe werden bereits beim Systemdesign berücksichtigt.
In produktiven Workflows arbeite ich unter anderem mit der OpenAI Responses API, strukturierten JSON-Ausgaben, GA4 Data/Admin API, Google OAuth 2.0, Service Accounts, geschützten Cron-Endpunkten und Symfony Console. Die konkrete Auswahl richtet sich nach Datenquelle, Sicherheitsanforderung und Betriebsmodell.
Aktuelle fachliche Schwerpunkte umfassen außerdem Retrieval-Augmented Generation, semantische Suche, tool-gestützte Workflows, multimodale Anwendungen und systematische AI-Evaluation.