Zeitclaim habe ich ursprünglich für mich selbst gebaut. Als Senior Consultant bei Machine Learning Reply musste ich jeden Abend nachvollziehen, wie viel Zeit ich für welches Kundenprojekt aufgewendet hatte. Das war umständlich, fehleranfällig und nach einem langen Arbeitstag vor allem lästig.

Ich war überzeugt, dass KI diesen Alltag deutlich vereinfachen kann. Heute beschreibe ich meinen Tag einfach per Sprache oder Text. Zeitclaim macht daraus strukturierte Zeiteinträge mit Stunden, Projekten und Kategorien. Ich nutze das Produkt selbst jeden Tag und entwickle damit eine Lösung für ein Problem, das ich aus eigener Erfahrung kenne.

Mit dem vollständigen Produkt kamen viele Aufgaben hinzu, die nichts mit dem eigentlichen Programmieren zu tun haben: Abonnements, Monitoring, Onboarding, Support, SEO und bezahlte Werbung. Meine bisher wichtigste Erkenntnis ist entsprechend wenig technisch: Ein SaaS-Produkt zu bauen ist schwer. Menschen darauf aufmerksam zu machen, ihr Vertrauen zu gewinnen und sie als zahlende Kunden zu überzeugen, ist noch deutlich schwerer.

Bei Trusted Advisor Group verbinde ich Produktberatung mit praktischer Softwareentwicklung. Die Plattform hilft Beratern im Wealth Management, komplexe Kunden-, Vermögens- und Unternehmensstrukturen zu erfassen, sichtbar zu machen und gemeinsam mit ihren Kunden zu analysieren.

Die besondere Herausforderung liegt in der Domäne selbst: Vermögensberatung lebt von Beziehungen, Zusammenhängen und vertraulichem Kontext. Das lässt sich nicht sinnvoll in starre Formulare pressen. Ich arbeite mich deshalb eng in die Beratungsabläufe ein, gestalte das Produkt mit und übersetze diese Abläufe in verständliche Werkzeuge für die tägliche Kundenarbeit.

Dabei zeigt sich immer wieder, wie entscheidend echtes Fachverständnis ist. Technologie ist hier kein Selbstzweck. Sie muss helfen, komplexe Sachverhalte zu ordnen, verständlich zu erklären und im nächsten Gespräch wieder aufzugreifen. Weil ich Beratung und Umsetzung verbinde, lassen sich Produktideen außerdem früh auf ihren praktischen und technischen Nutzen prüfen.

Bei Airbus Defence and Space arbeitete ich an vorausschauender Wartung für Flugzeugtriebwerke. Anhand großer Mengen betrieblicher Zeitreihendaten untersuchten wir, ob sich entstehende Probleme früh genug erkennen lassen, um Wartungsentscheidungen besser zu unterstützen.

Die Daten waren umfangreich, hochdimensional und nicht immer sauber. In einer Kubernetes-basierten Big-Data-Umgebung entwickelte ich mit PySpark Verfahren zur Aufbereitung und Prognose. Ergebnisse und Zwischenstände bereitete ich mit Spotfire und Streamlit so auf, dass sie für die beteiligten Fachexperten nachvollziehbar blieben.

Das Projekt hat meinen Respekt vor Fachwissen und sorgfältiger Validierung weiter vertieft. Gerade in sicherheitskritischen Bereichen ist ein komplexes Modell nicht automatisch ein gutes Modell. Annahmen, Unsicherheiten und Grenzen müssen für diejenigen sichtbar sein, die auf dieser Grundlage Entscheidungen treffen.

Bei Eventim betreute ich als Product Manager eine webbasierte Analytics-Plattform für mehr als 20 internationale Märkte. Die gemeinsamen Daten- und Reporting-Funktionen mussten Teams unterstützen, deren Prozesse, Prioritäten und Arbeitsweisen teils deutlich voneinander abwichen.

Die größte Herausforderung war daher nicht ein einzelnes technisches Problem, sondern die Abstimmung vieler berechtigter Interessen. Jede lokale Anforderung isoliert umzusetzen hätte die Plattform langfristig zerfasert. Ich koordinierte die beteiligten Märkte, arbeitete die eigentlichen Bedürfnisse hinter den Anfragen heraus und entwickelte die langfristige Produktausrichtung mit.

Dabei habe ich gelernt, noch sicherer zwischen Nutzern, Geschäftszielen und technischen Rahmenbedingungen zu vermitteln. Auch Priorisierung ist technische Verantwortung: Jede zusätzliche Funktion verursacht langfristige Kosten. Ein gut begründetes Nein kann deshalb wertvoller sein als ein weiteres Feature.

Für FRoSTA arbeitete ich an einem Edge-basierten Computer-Vision-System zur automatisierten Qualitätskontrolle in der Tiefkühlproduktion. Die Bildauswertung sollte direkt an der Produktionslinie stattfinden und nicht nur unter kontrollierten Laborbedingungen funktionieren.

Neben dem Training der Deep-Learning-Modelle gehörte deshalb auch die Integration von Kameras und Hardware zur Aufgabe. Unter realen Produktionsbedingungen mussten Bilder zuverlässig erfasst, verarbeitet und bewertet werden. Modellgüte allein reichte dafür nicht aus.

Das Projekt hat mir erneut gezeigt, dass Computer Vision immer eine Systemaufgabe ist. Selbst das beste Modell bleibt wirkungslos, wenn Kameratechnik, Datenfluss, Inferenz und der konkrete Ablauf in der Produktion nicht zusammenpassen.

Für Red Bull half ich beim Aufbau eines Webdienstes, der einen auf Stable Diffusion basierenden FaceSwap auf hochgeladene Bilder anwendete. Hinter der scheinbar überschaubaren GenAI-Funktion steckte ein vollständiger Produktionsdienst rund um das eigentliche Modell.

GPU-Anwendungen sind teuer, benötigen Anlaufzeit und verhalten sich anders als gewöhnliche Webanfragen. Die Lösung kombinierte AWS-Infrastruktur, containerisierte Inferenz, GPU-Orchestrierung, automatische Inhaltsprüfung und eine sichere Verarbeitung der Uploads. Das Modell war nur ein Baustein einer verlässlichen Nutzererfahrung.

Das Projekt bestätigte ein Muster, das ich bei KI-Projekten häufig beobachte: Die eindrucksvolle Demo ist meist der einfache Teil. Produktionsreife entsteht durch die weniger sichtbaren Entscheidungen zu Fehlerfällen, Sicherheit, Latenz, Infrastruktur und laufenden Kosten.

Mit meiner VR-Agentur Involvr entwickelte unser Team interaktive Erlebnisse für den Volvo XC40 und XC60. Die Fahrzeuge wurden innen wie außen vollständig in 3D nachgebaut und ließen sich anschließend in VR sowie auf mobilen Geräten erkunden.

Meine Rolle umfasste Projektleitung, Kundenkommunikation und technische Umsetzung. Im Hintergrund arbeiteten eine eigene C++- und OpenGL-Engine, WebAssembly für die Nutzung im Browser sowie plattformspezifische Anwendungen für Android, iOS und Samsung Gear VR.

Diese Projekte prägen meine Arbeitsweise bis heute. Technisch ambitionierte Produkte gelingen nur, wenn Kundenerwartungen, Gestaltung, Plattformgrenzen und Termine von Anfang an gemeinsam betrachtet werden.