Zum Inhalt springen

Projekte

Ausgewählte berufliche Projekte

Anonymisierte Projekteinblicke aus beruflichen Produkt- und Projektkontexten.

Meine Verantwortung

Technische Konzeption und End-to-End-Umsetzung der integrierten KI-Funktionen — von Dokumentenverarbeitung und Retrieval bis zur Einbindung in bestehende Produktabläufe und Berechtigungsmodelle.

Problem

In über Jahre gewachsenen Dokumentenbeständen verursachen manuelle Klassifikation, Metadatenpflege und fachliche Recherche hohen Aufwand. Gleichzeitig darf eine KI-Suche das bestehende Berechtigungsmodell nicht umgehen.

Lösung

Integrierte KI-Funktionen klassifizieren Dokumente, extrahieren Metadaten, erzeugen auch sprachübergreifende Zusammenfassungen und beantworten Fragen zu Einzeldokumenten sowie berechtigten Dokumentengruppen.

Ergebnis

Dokumentenbezogene Arbeitsschritte wurden direkt in die bestehende ECM-Plattform eingebettet, statt als separates KI-Werkzeug neben dem Produkt zu stehen.

Ablauf der integrierten Dokumenten-KI Dokumente werden verarbeitet, klassifiziert und nur innerhalb des bestehenden Berechtigungsmodells für belegte Auskünfte abgerufen. Dokumente bestehender ECM-Bestand Verarbeiten Klassifikation · Metadaten Zusammenfassen auch sprachübergreifend Berechtigt abrufen Rechte vor Kandidatenauswahl Belegt antworten zugänglicher Bestand In bestehende Produktabläufe integriert kein separates KI-Werkzeug neben der ECM-Plattform
  1. Dokumente bestehender ECM-Bestand
  2. Verarbeiten Klassifikation · Metadaten
  3. Zusammenfassen auch sprachübergreifend
  4. Berechtigt abrufen Rechte vor Kandidatenauswahl
  5. Belegt antworten zugänglicher Bestand
  6. In bestehende Produktabläufe integriert kein separates KI-Werkzeug neben der ECM-Plattform
Technische Details und Entscheidungen

Technische Architektur

LLM-gestützte Dokumentenverarbeitung und semantischer Abruf innerhalb bestehender Produktabläufe. Berechtigungen werden beim Retrieval berücksichtigt; Antworten bleiben an den zugänglichen Dokumentbestand gebunden.

Engineering-Entscheidungen

  • KI-Funktionen in bestehende Produktabläufe integrieren
  • Berechtigungen bereits bei der Kandidatenauswahl berücksichtigen
  • Klassifikation, Extraktion und Zusammenfassung als überprüfbare Funktionen behandeln

Demonstriert

Applied LLM Engineering, Dokumentenanalyse, semantischer Abruf, RAG-nahe Wissensabfragen und Integration in eine Enterprise-Plattform.

Status

Anonymisiertes berufliches Projekt; Kunden- und Produktname werden nicht veröffentlicht.

Large Language ModelsSemantic RetrievalDocument AIEnterprise Integration

Meine Verantwortung

End-to-End-Verantwortung für Eingangsstrecke, strukturierte Extraktion, mandantengetrenntes Retrieval, Zustandsgraph, Datenschutzgrenzen und Integration in die Webanwendung.

Problem

Eingänge aus mehreren Kanälen wurden manuell vorsortiert, fachliche Antworten erforderten Recherche in umfangreichen Dokumentbeständen und Fristen waren schwer zuverlässig zu steuern.

Lösung

Eine idempotente Eingangsstrecke verbindet Klassifikation und strukturierte Extraktion mit mandantengetrenntem Retrieval, Quellenbelegen und einem expliziten Zustandsgraphen. Personenbezogene Inhalte werden lokal verarbeitet; externe Modelle erhalten ausschließlich maskierte Fachfragen.

Ergebnis

Die fachliche Erstreaktion verkürzte sich von mehreren Arbeitstagen auf wenige Stunden. Kein Vorgang löste ohne menschliche Freigabe eine Aktion aus.

Ablauf der KI-gestützten Vorgangsbearbeitung Eingänge werden strukturiert, mit mandantengetrennten Dokumenten belegt, durch einen Zustandsgraphen verarbeitet und erst nach menschlicher Freigabe ausgeführt. Eingänge mehrere Kanäle Strukturieren Klassifikation · Schema Belege abrufen Mandant · Quelle · Seite Ablauf vorbereiten persistierter Zustandsgraph Menschliche Freigabe keine autonome Aktion PII lokal verarbeiten nur maskierte Fachfragen extern
  1. Eingänge mehrere Kanäle
  2. Strukturieren Klassifikation · Schema
  3. Belege abrufen Mandant · Quelle · Seite
  4. Ablauf vorbereiten persistierter Zustandsgraph
  5. Menschliche Freigabe keine autonome Aktion
  6. PII lokal verarbeiten nur maskierte Fachfragen extern
Technische Details und Entscheidungen

Technische Architektur

Next.js-Frontend, FastAPI-Services, PostgreSQL mit Row Level Security, hybrider Dokumentenabruf mit Reranking und LangGraph als deterministischer, nach jedem Schritt persistierter Zustandsgraph.

Engineering-Entscheidungen

  • Mandantentrennung auf Datenbankebene statt nur in der Anwendung
  • Quellenbeleg und Seitenangabe für jede fachliche Antwort
  • Explizite Zustände und menschliche Freigabe statt freier Agentenschleife

Demonstriert

End-to-End AI Product Engineering, RAG, strukturierte Extraktion, LangGraph-Workflows, Datenschutz und Human-in-the-loop-Automatisierung.

Status

Anonymisiertes berufliches Projekt; Kundendaten und identifizierende Details werden nicht veröffentlicht.

Next.jsFastAPIPostgreSQL RLSLangGraphHybrid RetrievalRerankingLocal Speech-to-Text

Passende Rolle oder Produktaufgabe?

Ich bin offen für permanente Senior-Rollen im AI Product Engineering sowie für Fullstack- und Frontend-Rollen mit KI-Fokus.

Kontakt aufnehmen