Über mich
Erst das Geschäftsproblem,
dann das Modell.
KI-Ingenieur und Automatisierungsberater, der LLM-Agenten, RAG-Pipelines und Sprachsysteme baut, die im Produktivbetrieb standhalten, nicht nur in der Demo. Jedes System beginnt bei einem operativen Problem und arbeitet rückwärts zur kleinsten Architektur, die es beseitigt.
Was ich über diese Arbeit denke
Demos sind einfach. Produktion ist die Arbeit.
Die meisten KI-Projekte sterben zwischen Notebook und Deployment. Ich baue den Teil, der überlebt: Evaluation, Fallbacks, Observability und robuste Systeme, die sich auch dann korrekt verhalten, wenn echte Nutzer auftauchen.
Erst das Geschäftsproblem, dann das Modell.
Jedes System, das ich ausliefere, beginnt bei einem operativen Schmerzpunkt: Leads, die im Postfach verrotten, überlaufende Support-Warteschlangen, Wissen, das in PDFs feststeckt. Von dort arbeite ich rückwärts zur kleinsten Architektur, die das Problem beseitigt.
Full Stack, von Anfang bis Ende.
Agenten-Orchestrierung in LangGraph, Retrieval über hybride Suche, FastAPI-Backends und React-Frontends. Eine Person verantwortet das gesamte System, damit an der Übergabe nichts verloren geht.
Dieselbe Schleife,
bei jedem System.
Ob Anstellung, Kundenprojekt oder etwas allein Ausgeliefertes. Die Schritte ändern sich nicht, nur wie lange jeder dauert.
Ich verantworte die Architektur und den Bau. Wenn ein Projekt mehr Umsetzungskapazität braucht, als eine Person hat, hole ich ein kleines Engineering- und Automatisierungsteam dazu, mit dem ich bereits gearbeitet habe, und bleibe für das Ergebnis verantwortlich.
- 01
Verstehen
Das eigentliche Problem und seine Randbedingungen, bevor ein Modell oder ein Framework angefasst wird. Ergebnis: ein klares Bild davon, was der Produktivbetrieb wirklich verlangt.
- 02
Entwerfen
Systemarchitektur, Modellauswahl und Datenfluss, durchdacht und aufgeschrieben, bevor Code entsteht.
- 03
Bauen
Auf Produktion ausgerichtete Umsetzung in kurzen Iterationen, früh getestet gegen echte Eingaben, nicht gegen synthetische.
- 04
Ausliefern
Deployt, überwacht und dokumentiert. Keine Blackboxes und keine Lücken bei der Übergabe.
- 05
Verbessern
Nach dem Start evaluiert und nachjustiert. Systeme werden im Produktivbetrieb besser, nicht schlechter.
Erfahrung
Vom Unternehmen,über Produkt, zur KI.
Fünf Rollen, jede ein anderer Teil derselben Entwicklung: verstehen, wie Unternehmenssysteme entstehen, in Produkten denken lernen, dann die KI-Systeme selbst bauen.
Baut produktionsreife Generative-AI- und Agentic-AI-Systeme für den Unternehmenseinsatz, mit Schwerpunkt auf Systemen, die unter echter Last zuverlässig bleiben, statt auf experimentellen Prototypen.
Über In Time TecGlobal AI & software partner
A global technology partner trusted by enterprise clients across the US, built on a rare promise: ROI, or they don't get paid.
- Baut produktive Agentic-AI- und LLM-Anwendungen mit LangGraph und FastAPI
- Entwirft RAG-Architekturen auf LlamaIndex und Qdrant mit hybrider Suche und verankerter Generierung
- Konstruiert skalierbare KI-Agenten auf Python, Azure AI und Redis mit zustandsbehafteter Workflow-Orchestrierung
- Setzt Mechanismen für KI-Sicherheit und Zuverlässigkeit um: PII-Maskierung, Content Safety und Jailbreak-Erkennung
- Verbessert produktive Systeme durch Observability und parallele Ausführung
Ausbildung
B.Tech, Informatik
JK Lakshmipat University, Jaipur
Hochschulreife, Physik, Chemie, Mathematik
Delhi Public School, India
Mittelstufe
St. Anselm's Pink City Sr. Sec. School
Wie ich mit Teams arbeite
Arbeitet remote mit Teams in jeder Zeitzone, wobei europäische und britische Arbeitszeiten standardmäßig abgedeckt sind. Diese Systeme laufen für Nutzer in mehr als 10 Ländern.
Übernimmt Festanstellungen im Engineering sowie ausgewählte Vertrags- oder Projektarbeit, remote und in jeder Zeitzone. Der Großteil dieser Arbeit läuft mit Teams in Europa, dem Vereinigten Königreich, Nordamerika und Australien. Wenn ein Unternehmen aus dem Ausland beauftragt, läuft Projektarbeit als Beratungsmandat statt als Anstellung, sodass auf keiner Seite eine lokale Arbeitserlaubnis nötig ist.
Wie ein Projekt abläuft
Die meisten Projekte beginnen mit dem Audit, denn ein fester, klar begrenzter erster Schritt ist das, was einen größeren zweiten Schritt entscheidbar macht. Nichts davon ist ein Paket: die Stufen existieren, damit Sie sich die Form vorstellen können, und der Umfang wird aufgeschrieben, bevor sich eine der beiden Seiten festlegt.
- 01
Audit
1 bis 2 Wochen · Üblicher Einstieg
Ein Blick mit festem Umfang auf den Workflow, den Sie automatisieren, oder die KI-Funktion, die Sie bauen wollen: wie die Daten tatsächlich aussehen, welche Teile wirklich ein Modell brauchen, welche besser deterministisch bleiben und was der Produktivbetrieb kosten würde.
Sie erhalten
Eine schriftliche Architektur und ein Umsetzungsplan, die Ihnen gehören, unabhängig davon, ob der Bau mit mir stattfindet. - 02
Bauen
4 bis 12 Wochen
Umsetzung in kurzen Iterationen gegen echte Eingaben, nicht gegen synthetische. Sie sehen jede Woche funktionierende Software, und gebaut wird die Architektur aus dem Audit, sodass Diskussionen über den Umfang auf Papier stattfinden statt im Code.
Sie erhalten
Ein deploytes System, sein Evaluationsaufbau und eine Dokumentation, mit der jemand anderes in Ihrem Team weiterarbeiten kann. - 03
Betreiben
Monatlich, jederzeit kündbar
Der Teil, den die meisten KI-Projekte überspringen. Modelle driften, Prompts verfallen, vorgelagerte APIs ändern ihr Ausgabeformat, und eine Pipeline, die im ersten Monat genau war, ist im vierten still und leise falsch, wenn niemand misst.
Sie erhalten
Monitoring, Evaluationsläufe und eine monatliche Notiz darüber, was sich geändert hat und was es gekostet hat.
Was ich nicht übernehme
Vier Dinge, die oft genug aufkommen, um sie laut zu sagen. Keines davon ist ein Urteil über die Arbeit selbst; es sind Stellen, an denen jemand anderes sie besser macht als ich.
- Modelltraining von Grund auf
- Fine-Tuning dort, wo es sich lohnt, ja. Das Vortraining eines Foundation-Modells ist eine andere Disziplin mit einem anderen Budget, und wer Ihnen erzählt, das sei die Antwort auf ein Geschäftsproblem, verkauft in der Regel den Trainingslauf.
- Ein Chatbot ohne System dahinter
- Eine API in ein Chatfenster zu packen dauert einen Nachmittag und löst nichts von Dauer. Bezahlenswert ist die Arbeit am Retrieval, an der Evaluation und am Betrieb darum herum, und genau dort gehen die Demos schief, die nie in Produktion kommen.
- Reine Design- oder Markenarbeit
- Die Oberflächen hier sind gebaut, um das System lesbar zu machen, nicht um einen Designpreis zu gewinnen. Wenn das Ergebnis ein Markensystem oder eine visuelle Identität sein soll, brauchen Sie ein Studio, und der Bau wird dadurch besser.
- Kapazitätsverleih nach Stunden
- Projekte werden auf ein Ergebnis zugeschnitten, mit einer schriftlichen Architektur dahinter. Ein offener Platz an einem Backlog ist eine echte Leistung und etwas, das man vernünftigerweise einkauft; sie ist nur nicht diese hier.