Full Stack Developer/ Softwarearchitekt (Java/Kotlin, TypeScript, C#, Angular, Postgres, k8s, GenAI)

BOSSMATCH - Ein persönliches Werkzeug, das mir hilft, die auf dem IT-Projektmarkt verfügbaren Angebote besser zu finden und mit meinem Profil abzugleichen. Das Projekt nutzt moderne GenAI-Modelle und Ansätze, um mir dabei zu helfen, die verfügbaren Projekte auf dem Markt aus verschiedenen Quellen zu aggregieren und diese besser zu filtern und so noch passendere Angebote zu finden. Zunächst werden mehrere Freelancer-Portale gecrawlt, um alle Projektinformationen im Rohformat zu sammeln. Anschließend werden die Projekttexte geparsed und in einen strukturierten Datensatz mittels GPT Modelle überführt. Danach werden Summaries generiert, die alle wichtigen Facts in einem einfach lesbaren Satz enthalten. Darüber hinaus werden aus einzelnen Teilen der Projektbeschreibung, wie z.B. Skills oder Anforderungen, Embeddings generiert, um eine semantische Suche zu ermöglichen. Diese wird durch einen weiteren Ranking-Algorithmus ergänzt, um noch genauere Rankings zu erhalten. Es werden normalisierte Profile erstellt, bzw. few shot text-classification mittels embeddings realisiert. Somit können z.B. Rollenbezeichnungen wie “Softwareentwickler” und “Developer” eindeutig der Klasse “Software Engineer” zugeordnet werden. Dadurch können Projekte anschließend viel genauer gefiltert werden. Die Benutzeroberfläche enthält eine Projekt-Wall, die es mir ermöglicht, verschiedene Kategorien zu bilden und diese zu durchfiltern. Darüber hinaus werden verschiedene Insights pro Kategorie erstellt, die mir ebenfalls helfen, den Überblick zu behalten. Zusätzlich habe ich ein weiteres Modul entwickelt, das mir hilft, projektspezifische Anschreiben schneller und zielgerichteter zu verfassen. Die entsprechenden LLM-Prompts generieren bedarfsgerechte Textpassagen, die auf die jeweiligen Anforderungen des Projekts abgestimmt sind. Tech Stack TypeScript, Vanilla JS, NestJS, HTML, CSS, pgvector, PostgreSQL, GPT 3.5/4 Model, textembeddings, charts.js, playwright, Metabase, Redis, Docker

Ein Proof of Concept wurde für eine Plattform entwickelt, die dazu konzipiert ist, einen umfassenden Überblick über die gesamte IT-Landschaft in großen Unternehmen zu gewinnen. Die Testdomäne, also die virtuelle IT- Landschaft bestehend aus ca. 1500 Softwarelösungen, wurde mit GPT 3.5 Modell generiert. Neben einem visuellen 3D Knowledge Graphen, der Übrigens animiert und VR Ready ist, wurden verschiedene weitere Funktionalitäten implementiert. Dazu zählt unter anderem die Similarity Search, welche eine semantische Suche ermöglicht und zudem redundante Projekte innerhalb des gesamten Projektlandschaft aufspüren soll. Außerdem wurde ein Ideenfindungsmodul implementiert, der automatisch mittels GPT Modelle mehrere Vorschläge generiert, wie man verschiedene bereits vorhandene Lösungen miteinander kombinieren kann, um weiteren Mehrwert zu schaffen. Das Projekt wurde zunächst von mir privat entwickelt und später erfolgreich bei MBTI eingeführt. Heute wird es von meinen ehemaligen Kollegen weiterentwickelt. Das Projekt wurde intern bei Merdedes-Benz unter ISL(inner source) gepublished. Tech Stack TypeScript, Angular 16, NestJS, Chroma DB, PostgreSQL, GPT 3.5/4 Model, textembeddings, 3d Force Graph, Sigma.js, Graphology, Huggingface EmbeddingServer, Docker

Code2Doc - generiert Dokumentation(readme und co.) aus dem Quellcode. Das Projekt Code2Doc hat das Ziel, aus einem blanken und unkommentierten Quellcode automatisch eine lesbare Dokumentation zu generieren. Dazu wird zunächst ein beliebiges GitHub-Repository heruntergeladen. Anschließend werden für die einzelnen Codeartefakte mithilfe des GPT-4-Modells semantische Dokumentationsschnipsel erstellt. Durch die Verwendung von Prompts wird versucht, den semantischen Kontext möglichst fachlich zu definieren, um sich von rein technischen Aspekten zu lösen. Das gesamte Dokument wird anschließend anhand einer vorgegebenen Struktur generiert, wobei für jedes Kapitel separate Prompts verwendet werden. Dabei kommen die zuvor erstellten Dokumentationsschnipsel zum Einsatz. Im Architekturkapitel wird sogar ein UML-Diagramm in Mermaid mithilfe des GPT-Modells generiert. Anschließend wird ein PDF Dokument erstellt bzw. kann automatisch heruntergeladen werden. Tech Stack Vanilla JS, HTML, CSS, Node.js, repos2doc, OpenAI client, GPT 4, Docker

Menschen lesen gerne, aber sie schauen auch gerne Videos. Daher habe ich überlegt, beides miteinander zu verbinden. So ist ein Technologieblog entstanden, der komplexe Themen durch ansprechende animierte Visualisierungen verständlich erklärt. Tech Stack Html, CSS, JS, GitHub Actions, Figma, Camtasia

Ich habe an einem Twitter-Hackathon (Twitter chirp DEV {challenge} 2022) teilgenommen, bei dem es darum ging, irgendwas cooles mit der Twitter-API zu entwickeln. Dies war kurz vor der Übernahme von Twitter durch Elon Musk. Nutzer konnten den Bot über @undressor anfragen und erhielten direkt eine Antwort in Form von Charts, ohne dabei den Twitter-Thread zu verlassen. Um dem Nutzer weitere detaillierte Informationen zur Verfügung zu stellen, wurde ein zusätzliches Online-Portal entwickelt. Neben den Grafiken wurden dort auch leicht lesbare Texte bereitgestellt. Die textlichen Inhalte sollten eine Geschichte erzählen, die gleichzeitig durch grafisch aufbereitete Diagramme unterstützt werden sollte. Der Bot ist mittlerweile abgeschaltet und Twitter bzw. X mag ich auch nicht mehr :-) Es hat auf jeden Fall Spaß gemacht und das Repo ist ebenfalls als OpenSource Projekt auf GitHub noch da. Tech Stack HTML, CSS, Angular, GitHub Actions, Figma, Twitter API v2, TypeScript, Node.js, Heroku

Dieses Projekt umfasst eine Serie von kleinen Beispielen, die sich mit Kafka und event driven Microservices befassen und das Spring Framework in Kotlin & Java verwenden. Das übergeordnete Ziel bestand darin, ein technisches Verständnis für die Entwicklung event driven Microservices mit Kafka zu erlangen und das erlangte Wissen mit anderen Interessenten zu teilen. Dazu gehören spezifische Ziele wie das Grundverständnis des Kafka-Systems, die Stream-Verarbeitung sowie die Implementierung von Architekturmuster wie CQRS, ES usw. mit Kafka. Die Implementierungsbeispiele wurden iterativ entwickelt, um den Lernprozess schrittweise zu gestalten. Dieses Projekt wurde ins Leben gerufen, da es oft schwierig ist, einfache Beispiele für Microservices mit Kafka zu finden. Die meisten verfügbaren Codebeispiele sind sehr komplex und erschweren so den Einstieg. Dieses Projekt zielt darauf ab, ein solides Verständnis zu vermitteln, ohne sich in epischen Details zu verlieren. Tech Stack GitHub, Java, Kotlin, Kafka, PowerPoint

Schadens-Visualisierungssoftware Das Ziel des Projektes war die Visualisierung von Fahrzeugschäden auf Basis der Schadensgutachten. Ich habe mich damals für eine schematische 3D Darstellung von verschiedenen Fahrzeugtypen entschieden, auf denen dann die Schäden visuell projiziert wurden. Die Schadensinformationen wurde dabei programmatisch aus den Gutachten extrahiert und visuell dargestellt. Die 3D Modelle wurden von einem Grafikdesigner erstellt. Ich habe anschließend einen Editor entwickelt, mit dem man verschiedene Schadenslayer als Vektoren definierten konnte. Außerdem wurde ein automatischer Bildgenerierungsservice von mir entwickelt, der anhand der Gutachtendaten und dem jeweiligen Fahrzeugtyp PNG's generiert hat, die dann anschließend auf der Plattform angezeigt wurden. Tech Stack .Net, C#, ASP.Net, WPF, WCF, GDI+, Windows Server 2008, Visual Studio