Data, AI & DevOps Engineer

Genutzte Technologien: tbd

Aufgaben: Solution Architektur, Consulting, Data Engineering, Custom Software.

Detailbeschreibung:
Ein Kunde im Bereich Logistik für Tierfutter hat mich im 0.2 FTE bzw. 20% Mandat für ein Jahr angestellt, bei dem ich als Sparringpartner für die IT für die Themen Data Engineering & A.I. Engineering mithelfen soll. Neben der Consulting Aufgabe werde ich punktuell bei der Entwicklung gewisser Projekte mithelfen.

Genutzte Technologien: SolidJS, Tailwind CSS, AWS Lambda (Golang als Container), AWS Step Function, AWS S3 (Webhosting), AWS API Gateway, AWS IAM, AWS DynamoDB, AWS CloudWatch Metrics & Dashboard, AWS Cognito (für Token-API), AWS Route53, AWS WAF & Shield, Gitlab, Terraform

Aufgaben: Solution Architektur, Frontend-Engineering, Backend-Engineering, Cloud Engineering, DevOps & CiCD Pipeline, Integration in Umsysteme, Consulting

Detailbeschreibung:
Der Founder von WinTogether (Start-Up für Sponsoring im Vereinswesen) hat mich zur Entwicklung ihrer kompletten Software beauftragft. Dabei wird eine 100% stateless & serverless Webapplikation auf AWS entwickelt. Sowohl der normale Webauftritt, wie auch das komplette Produkt wird im Verlauf des Jahres durch mich entwickelt werden.

Genutzte Technologien: AWS Lambda (Langchain), AWS S3 (Document to index), RDS (Postgres pgvector), AWS Bedrock (Models & Managed Knowledgebase), AWS OpenSearch, AWS API GW, Terraform

Aufgaben: Solution Architektur, Information Retrieval (im RAG), Benchmarking, Cloud Engineering, DevOps & CiCD Pipeline

Detailbeschreibung:
Im Auftrag einer Hochschule wurde ein PoC erarbeitet bei dem zwei Dinge untersucht werden sollen: 

1. Vergleiche der drei RAG Varianten:
   • Bedrock managed Knowledgebase (Managed OpenSearch als Vectorstore)
   • OpenSearch als Vectorstore, jedoch nicht managed by Bedrock
   • Postgres (pgvector) als Vectorstore (hier existiert keine Bedrock managed Variante)
2. Erarbeitung eines userfreundlichen Korrektursystem, welches die Beurteilung von offenen Fragestellungen erleichtert.

Der entwickelte Prototyp war im Stande anhand von  - A.) Bücher und Powerpoints als Knowledgebase im RAG, B.) Fragestellung und Bewertungskriterien aus der Prüfung und C.) der Antwort des Prüflings -  eine Antwort zu liefern. Anhand von definierten Markdowns war der Prototyp im Stande ein visuelle Darstellung für Korrektureditors im Moodle farblich die Frage mit Fehler oder Erfolge für die Punktevergabe zu unterlegen. Der Dozent muss somit nurnoch die markierten Stellen konsultieren und die Punktevergabe bestätigen.