Python-Backend- & KI-Anwendungsentwickler

3/2026 – 7/2026

Ursprünglich im Rahmen eines Ironhack-Bootcamp-Projekts begonnen, anschließend eigenständig zu einem Produktivsystem ausgebaut: mehrsprachiges RAG-System (EN/ES/DE/FR/PT) über 50 Wissenschafts-Transkripte – Ingestion, sprachsensible Aufbereitung, Chunking, Vektorindex (Pinecone), FastAPI-Backend und React/TypeScript-SPA als getrennte Google-Cloud-Run-Dienste hinter nginx, mit SSE-Token-Streaming und zeitgestempelten Quellenangaben.

Semantische Suche mit Cohere-Embeddings (embed-multilingual-v3.0, asymmetrische Input-Typen) und nachgelagertem Cohere-Rerank-Cross-Encoder. Agentische Orchestrierung mit LangGraph für mehrstufige Retrieval- und Generierungsabläufe, inklusive regelbasiertem Intent-Routing ohne zusätzliche Modellkosten. Live-Ingestion beliebiger YouTube-URLs über ein asynchrones Fire-and-Poll-Jobmuster.

Umsetzung der Transparenzpflichten nach Art. 50 EU-KI-Verordnung vor Geltungsbeginn am 2. August 2026: KI-Hinweis auf der Startseite und an jeder Antwort, eigener Identitäts-Intent im Agenten-Router (ohne Modellaufruf, in der Sprache des Nutzers), abgesichert durch Unit-Tests und fünf adversariale Evaluationsfälle; maschinenlesbare Herkunftskennzeichnung als Grundlage für Art. 50(2) sowie ein dokumentierter Prüfkatalog für erneute Bewertungen.

Qualitätssicherung über ein 46-Fälle-Evaluationsset (LLM-as-Judge, GPT-4.1; 10 adversariale Fälle manuell geprüft), nachverfolgt über LangSmith – bester Messpunkt: Mittelwert 4,67/5 über die 33 automatisiert bewerteten Fälle. Korpus-Pipeline als Cloud Run Job mit idempotenten, wiederaufsetzbaren Schritten; alle drei Dienste als Non-Root-Container; CI mit vier Pflichtprüfungen inklusive Playwright-End-to-End-Tests.

Docker, Langchain, Large Language Models, Python, React (JavaScript library)

3/2026 – offen

Eigenständige Entwicklung einer autonomen, sechsstufigen agentischen Pipeline zum Abgleich von Stellenprofilen (Ingestion > Deduplizierung > Filterung > Embedding/Ranking > LLM-Bewertung > Auslieferung). Asynchrone Ingestionsschicht mit austauschbaren Quell-Adaptern, strukturiertes LLM-Bewertungsframework, idempotente SQLite-gestützte Pipeline mit rückkopplungsbasiertem Re-Ranking. Rund 300 automatisierte Tests (pytest); täglicher automatisierter Lauf via GitHub Actions.

Large Language Models, Pytorch, Workflows

8/2024 – 10/2025