$ ~/leistungen > _

leistungen.list() — GenAI Engineering, AWS Cloud-Architektur & DevOps — Freelance-Leistungen München

Freelance-Leistungen für Engineering-Teams in München und Remote.

> GenAI Engineering mit AWS

Problem

LLMs und AI-Frameworks allein ergeben noch kein Produkt. Vom Prototypen zur produktionsreifen GenAI-Anwendung fehlt oft die Engineering-Grundlage: stabile Pipelines, Retrieval-Qualität, Observability.

Vorgehen

  1. 01 /Use-Case-Design — RAG, Chatbot oder Agentic Workflow? Klärung vor Umsetzung
  2. 02 /Pipeline-Aufbau — Embedding, Vector Store, Retrieval mit LangChain / CrewAI
  3. 03 /LLM-Integration — Amazon Bedrock, OpenAI, OpenRouter — modellunabhängig
  4. 04 /Deployment & Eval — AWS Lambda / ECS, Logging, Eval-Loop, Guardrails

Ergebnis

GenAI-Anwendungen, die in Produktion laufen — nicht nur im Notebook.

RAG AI Agents CrewAI LangChain Amazon Bedrock Python TypeScript

> Cloud-Migration & Architektur

Problem

Legacy-Systeme sind teuer im Betrieb, schlecht skalierbar und behindern schnelle Deployments.

Vorgehen

  1. 01 /Assessment — Bestandsaufnahme, Abhängigkeiten, Risiken
  2. 02 /Architektur — Cloud-native Design auf AWS, IaC mit CDK / Terraform
  3. 03 /Migration — Schrittweise Umstellung mit Strangler Pattern, kein Big Bang
  4. 04 /Betrieb — Monitoring (Prometheus, Grafana), Runbooks, Übergabe

Ergebnis

Skalierbare, reproduzierbare Infrastruktur. Kürzere Release-Zyklen. Geringere Betriebskosten.

AWS AWS CDK Terraform Docker ECS / Lambda

> DevOps & Automatisierung

Problem

Manuelle Deployments, fehlende Tests und inkonsistente Umgebungen verlangsamen Teams und erhöhen das Fehlerrisiko.

Vorgehen

  1. 01 /Pipeline-Design — CI/CD mit GitHub Actions, AWS CodePipeline
  2. 02 /Infrastructure as Code — Terraform, AWS CDK, reproduzierbare Umgebungen
  3. 03 /GitOps — Deklarative Deployments, automatisierte Rollbacks
  4. 04 /Testing — Automatisierte Unit-, Integration- und E2E-Tests, SAST/DAST

Ergebnis

Deployment-Zeiten von Tagen auf Minuten. Automatische Rollbacks. Frühzeitige Fehlererkennung.

GitHub Actions AWS CodePipeline Terraform Docker Prometheus Grafana

> Projektleitung

Problem

Technische Projekte scheitern häufig an fehlender Brücke zwischen Entwicklung und Management, unklaren Anforderungen oder mangelnder Struktur.

Vorgehen

  1. 01 /Anforderungen — Stakeholder-Workshops, Ziele und Constraints klären
  2. 02 /Planung — Agile oder klassisch, je nach Projektnatur
  3. 03 /Steuerung — Risikomanagement, Reporting, Eskalation
  4. 04 /Übergabe — Dokumentation, Onboarding, nachhaltiger Betrieb

Ergebnis

Projekte, die im Budget, on time und mit wartbarem Ergebnis abgeliefert werden.

Agile / Scrum Stakeholder-Management Risikomanagement JIRA Confluence

$ Projekt besprechen? Anfrage senden →