Freelance Engineer

Cloud, AI & MLOps Engineering

Ich baue skalierbare, kosteneffiziente Cloud-Infrastrukturen und produktionsreife ML-/Data-Pipelines.

Erstgespräch vereinbaren Leistungen
AWS Azure Terraform Python Databricks Docker

Über mich

Ich bin freiberuflicher Cloud-, Software- und MLOps-Engineer mit Fokus auf produktionsreife Systeme: Cloud-Infrastruktur, Data-Pipelines, CI/CD und Monitoring.

Mein Schwerpunkt liegt auf dem Entwurf und der Umsetzung robuster, kosteneffizienter Cloud-Architekturen für datenintensive Anwendungen und ML-Workloads. Technisch arbeite ich mit Terraform, Python, Docker und GitHub Actions sowie mit AWS, Azure und Databricks.

B.Sc. Engineering Business Information Systems (Note 1,0)

Erfahrung u.a. bei BOSCH — Skalierung von ML-Workloads und Betrieb großer Data-Lakes.

AWS Certifications

AWS Solutions Architect

Associate

AWS Data Engineer

Associate

AWS AI Practitioner

Leistungen

Von der ersten Beratung über MVP-Entwicklung bis zum laufenden Betrieb — ich begleite Projekte End-to-End oder unterstütze punktuell.

Software Engineering für AI/ML

Entwicklung produktionsreifer KI-Services und Anwendungen. Python, APIs, Microservices, Event-driven Architekturen.

KI-Agenten & Plattformen

Agentic AI, Multi-Agent Systeme, Context Engineering. Skill-Frameworks und Enterprise-Integrationen.

Cloud Engineering & Infrastruktur

IaC mit Terraform für Multi-Account/Multi-Region Setups, Netzwerke, IAM, Container-Plattformen und Kostenoptimierung.

MLOps & CI/CD

Model-Registries, automatisierte Trainings-/Inference-Pipelines, GitHub Actions, Canary Releases, Blue/Green Deployments.

Data Engineering & Lakehouse

Databricks / Delta Lake Design, Spark/PySpark ETL/ELT, Data Cataloging, Quality Monitoring.

Observability & Betrieb

Logging/Tracing, Alerts & Runbooks, SLO/SLI Definitionen, Incident Playbooks.

Ausgewählte Projekte

BOSCH

Multi-tenant ML-Inferenz & Datenpipelines; Databricks Lakehouse, Spark ETL.

Azure Databricks Spark Delta Lake

Neural Automated Labeling

Featured

Cloud-Orchestrierung, skalierbare Batch-Pipelines, Custom AMIs/Container Images für automatisiertes 3D-Labeling.

AWS Batch Terraform Docker GPU/CUDA

R. STAHL AG

KI-Plattform: Sichere Infrastruktur, Skill-Frameworks für Enterprise-Integrationen.

Agentic AI Multi-Agent Context Engineering

Serverless Analytics

Time-Series Analyse mit skalierbaren Lambda-Workloads und ereignisgesteuerter Architektur.

AWS Lambda Serverless Time-Series

Arbeitsweise

01

Discovery

1–2 Sessions, Zielsetzung, Akzeptanzkriterien

02

MVP-Planung

Minimaler, produkttauglicher Scope + Meilensteine

03

Umsetzung

Iterative Sprints, IaC, automatisierte Tests

04

Betrieb

Observability, Runbooks, Übergabe & optionaler Support

Security by Design
Kostenbewusstsein
Reproduzierbarkeit
MVP-Orientierung

Skills & Tools

Sprachen

Python SQL Bash

Cloud

AWS Azure Databricks

Infra & DevOps

Terraform Docker GitHub Actions CI/CD

Data & MLOps

Delta Lake Spark/PySpark ETL/ELT Model Registry Model Deployment Model Monitoring

AI & LLM

Agentic AI Context Engineering RAG Tool Use Prompt Engineering

Observability

CloudWatch Azure Log Analytics

Kontakt

Interesse an einer Cloud-Architektur oder MLOps-Optimierung?

anton@antonroesler.com +49 1573 1326428