Aktuell Founding Engineer in einem AI-Startup. Offen für ausgewählte Consulting-, Sparring- und Projektgespräche, wenn es um echte AI-Produktarbeit geht.
Für Teams ist meist nicht die Modellwahl der Engpass, sondern die saubere Verbindung aus Daten, Produktlogik und Software.
AI-Produkte bauen
Ich bringe Modelle, Daten, Backend und UI in einen Flow, den Nutzer wirklich verwenden können.
RAG & LLM-Anwendungen
Ich arbeite an Quellenlogik, Retrieval, Evaluation und Nutzerführung — nicht nur an Prompts.
Computer Vision & MLOps
Aktuell arbeite ich an ML-Pipelines, Datenqualität und produktnaher AI-Integration in einem Startup.
Full-Stack Delivery
Ich kann Ideen nicht nur prototypen, sondern auch mit Next.js, Java, PostgreSQL, Docker und Cloud-Setups ausliefern.
Consulting & Sparring
Keine große Beratungsshow. Eher ein technischer Blick von außen.
Ich bin nicht als klassischer Berater positioniert. Sinnvoll ist es, wenn ein kleines Team schnell Klarheit oder Umsetzung bei einem AI-Produktproblem braucht.
Sparring
Ein AI-Use-Case ist da, aber Datenlage, Risiko oder Produktlogik sind noch unscharf.
Review
Ein Prototyp funktioniert in der Demo. Jetzt soll klar werden, was für echte Nutzer und Betrieb fehlt.
Umsetzung
Ein klar geschnittener AI- oder Full-Stack-Slice soll sauber gebaut und integriert werden.
Arbeitsstil
Erst verstehen. Dann bauen.
Ich starte nicht mit “welches Modell nehmen wir?”. Ich starte mit dem Problem, den Daten und den Fehlerfällen. Danach kommt ein kleiner Build, der messbar zeigt, ob der Weg trägt.
1
Problem klären
Was soll für Nutzer oder Team konkret besser werden?
2
Daten prüfen
Welche Quellen, Labels, Fehlerfälle und Grenzen gibt es wirklich?
3
Klein bauen
Baseline, Evaluation und UI zuerst klein halten. Dann ausbauen.
Erfahrung
Software, AI und Produktarbeit.
Founding EngineerAI Startup · seit März 2025 Computer Vision, ML-Pipelines, GCP/ClearML, produktnahe AI-Integration
JavaScript DeveloperElunic AG · Jul 2021 – Jul 2022 Frontend- und Produktentwicklung in Unternehmenskontexten
Working Student / InternBOTfriends GmbH · Jan 2019 – Jan 2020 Dialogflow/GCP, NLU-Pipelines und Trainingsdaten-Versionierung
Nachweise
Schnell prüfbare Arbeit statt nur Selbstaussage.
Gute Portfolio-Referenzen zeigen: starke Projekte brauchen sichtbare Belege, klare Karten und kurze Wege zu Details. Genau darauf ist dieser Bereich reduziert.
