NEW HEAT INTEGRATED
Koordination im EU-Forschungsprojekt NEW HEAT INTEGRATED zwischen Forschungspartnern und Industrie. Verantwortung fuer technische Abstimmung, Schnittstellenkommunikation und Dokumentationsqualitaet gemaess EU-Standards.
Projekt- und Marketing-Manager · Tech-Enthusiast · Dresden
Profil
Ich arbeite seit über 15 Jahren an der Schnittstelle von Projektmanagement, Marketing und Technik. Dabei habe ich Digitalisierungsprojekte gesteuert, Abstimmungen zwischen Forschung, B2B und Eventumfeld koordiniert und Inhalte für Geschäftsführung, Partner und technische Teams aufbereitet. Neben Strategie und Kommunikation bringe ich praktische Umsetzung mit: Low-Code, Automation und ein solides Software-Engineering-Verständnis. Das hilft mir, Prozesse nicht nur zu planen, sondern sie auch in funktionierende, nutzbare Lösungen zu übersetzen.
Kontakt
Powered by Azure OpenAI
BME Dr. Golbs und Partner, Bautzen
BME Dr. Golbs und Partner, Bautzen
BME Dr. Golbs und Partner, Bautzen
BME Dr. Golbs und Partner, Bautzen
BME Dr. Golbs und Partner, Bautzen
BME Dr. Golbs und Partner, Bautzen
Sanessi GmbH, Chemnitz
Fachinformatiker – Anwendungsentwicklung
Koordination im EU-Forschungsprojekt NEW HEAT INTEGRATED zwischen Forschungspartnern und Industrie. Verantwortung fuer technische Abstimmung, Schnittstellenkommunikation und Dokumentationsqualitaet gemaess EU-Standards.
Entwicklung und Vermarktung eines KI-basierten Neural Amp Modelers (AIDA-X). Training von KI-Modellen im Bereich Conditional Modeling, Gestaltung einer intuitiven Plugin-Oberfläche mit Hardware-Feel und Integration in Hardware-Produkte von MOD Audio und Chaos Audio.
Aufbau einer Nischen-Marke mit No-Budget-Ansatz. Organischer Aufbau von 600+ Followern durch effiziente Content-Strategien. Verantwortung für Live-Sound, Videoaufzeichnung und Post-Production.
Arbeitsprobe · April 2025
Entstanden ist eine Portfolio-Seite mit eingebautem Chat, der Fragen zu Projekten, Skills und Berufserfahrung beantwortet. Die Antworten kommen nicht aus statischen Textbausteinen, sondern aus einer kleinen RAG-Pipeline auf Basis meiner eigenen Profildaten.
Gebaut wurden Backend, Indexierung, Azure-Setup, Deployment und das Chat-Frontend. Kein Template, kein Baukasten, kein kopiertes Starter-Projekt.
Design und Layout der Website waren bereits da. Neu gebaut wurden Backend, KI-Anbindung, Azure-Infrastruktur und Deployment-Strecke. Von der ersten Spezifikation bis zur Live-URL hat das rund 7 Stunden gedauert.
Der entscheidende Punkt war nicht "KI macht den Job", sondern ein sauberer Arbeitsmodus mit GitHub Copilot Agent Mode nach dem Muster Spec → Feature → Build → Review:
Bevor Code entsteht, steht die Aufgabe sauber da: Ziel, Inputs, Outputs, Abhängigkeiten und Grenzen.
Embedding-Pipeline, Suchindex, Prompting und Deployment wurden nacheinander gebaut, getestet und abgenommen.
Die KI hilft beim Schreiben und Recherchieren. Architektur, Datenmodell und Sicherheitsgrenzen habe ich festgelegt.
Probleme bei Deployment, Index-Aufbau und Azure-Authentifizierung wurden nicht kaschiert, sondern gelöst.
| Schicht | Technologie |
|---|---|
| Backend | Python 3.12, FastAPI, Uvicorn |
| KI – Sprache | Azure OpenAI GPT-4o (East US 2) |
| KI – Embeddings | text-embedding-3-large, 3072 Dims |
| Wissensindex | Azure AI Search, Free Tier, 107 Chunks |
| Storage | Azure Blob Storage, 4 Markdown-Dateien |
| Hosting | Azure App Service B1 Linux, Germany West Central |
| CI/CD | GitHub Actions, Service Principal (RBAC) |
| Frontend | Statisches HTML/CSS/JS, kein Framework |
Warum RAG statt Fine-Tuning? Die Daten ändern sich und sollen direkt korrigierbar bleiben. RAG passt hier besser, weil der Chat bei jeder Anfrage auf den aktuellen Datenbestand zugreift.
Warum statisches Frontend? HTML, CSS und etwas JavaScript reichen für diesen Use Case aus und halten den Fokus auf Backend und Systemintegration.
Warum Azure? OpenAI, Search, Storage und Hosting laufen im selben Stack. Das vereinfacht den Betrieb und spiegelt zugleich typische Unternehmensarchitekturen wider.
Die sichtbare Profilansicht kommt aus JSON, der Chat greift separat auf geprüfte Markdown-Quellen im Suchindex zu.
Embed → Retrieve → Augment → Generate. Der Prompt begrenzt Rolle und Wissensbasis klar.
Karriere-Ansicht und Minimal-CV hängen an derselben Datenquelle und laufen nicht auseinander.
App Service liefert API und Seiten aus, AI Search hält den Vektorindex, Blob Storage die Quelldateien.
Vier Markdown-Dateien wurden in 107 überlappende Chunks zerlegt und neu in den Index geschrieben.
Deployments laufen per Service Principal statt Publish Profile, weil Azure Basic Auth standardmäßig deaktiviert.
Konkurriert beim Merge mit dem eigenen Workflow. Sofort identifizieren und entfernen.
Neu gesetzte Secrets greifen erst nach explizitem App-Neustart.
Löschen aus Blob Storage hat keinen Effekt auf den Vektorindex – beide Schichten separat bereinigen.
Deutsche Anführungszeichen in Markdown brechen JSON-Parser. Zeichenkodierung explizit berücksichtigen.
| Szenario | App Service | OpenAI | Gesamt |
|---|---|---|---|
| Demo / Portfolio (~30 Anfragen) | $13.10 | $0.23 | ~$13.33 |
| Bewerbungsphase (~200 Anfragen) | $13.10 | $1.55 | ~$14.65 |
| Starker Traffic (~1.000 Anfragen) | $13.10 | $7.75 | ~$20.85 |