Applied AI · End-to-End-Verantwortung
KI mit Wirkung.
Kontrolliert im System.
Ich konzipiere und implementiere produktive KI-Systeme End-to-End – vom Fachprozess über Daten, Architektur und Evaluation bis zu Einführung und Betrieb. Probabilistische KI unterstützt Verstehen und Vorbereitung; deterministische Software schützt Regeln, Berechnungen und kritische Aktionen.
Wählt Kontext, Modell und erlaubte Werkzeuge für die konkrete Aufgabe.
Mistral · lokal
Entscheidungshilfe + NachvollziehbarMensch prüft und entscheidet
Meine AI-Engineering-These
Probabilistisch verstehen.
Deterministisch handeln.
So viel KI wie sinnvoll. So viel Kontrolle wie nötig.
Least Privilege for AI
Modelle sehen nur den minimal notwendigen Kontext und handeln ausschließlich über eng definierte Werkzeuge.
Deterministic Core
Regeln, Berechnungen und kritische Zustandswechsel bleiben reproduzierbare Software.
Evidence over Guessing
Antworten zeigen Quellen, Kennzahlen oder Tool-Ergebnisse; fehlende Evidenz wird offen benannt.
Human Authority
Menschen prüfen und bestätigen Bestellungen, Freigaben und produktive Änderungen.
Observable & Replaceable
Modelle bleiben austauschbar; Qualität, Kosten, Fehler und Fallbacks werden im Betrieb beobachtbar.
Vier konkrete Aufgaben
Vom Finden einer Information
bis zur sicheren Entscheidungshilfe.
Ohne Modellnamen und technische Abkürzungen.
Informationen finden
KI durchsucht freigegebene Dokumente und zeigt die Fundstellen, auf denen eine Antwort beruht.
Inhalte verstehen
KI fasst lange Texte zusammen, übersetzt und erklärt komplexe Informationen in verständlicher Sprache.
Aufmerksamkeit lenken
KI erkennt Auffälligkeiten und zeigt, welche Fälle ein Mensch genauer prüfen sollte.
Entscheidungen vorbereiten
KI vergleicht Möglichkeiten und erklärt Auswirkungen. Die endgültige Entscheidung bleibt beim Menschen.
Verantwortung
Der Mensch behält
die Kontrolle.
Quellen sichtbar: Aussagen lassen sich in den verwendeten Dokumenten nachlesen.
Unsicherheit offen: Fehlende Informationen werden benannt statt erfunden.
Wichtige Aktionen bestätigt: Bestellungen, Freigaben und Änderungen geschehen nicht unbemerkt.
Daten geschützt: Eine Anwendung erhält nur die Informationen, die sie für ihre Aufgabe benötigt.
Konkrete Anwendung
So setze ich KI
in Systemen ein.
Sechs wiederkehrende Architekturformen aus meinen Projekten – vom Dokumentimport bis zur kontrollierten Regelgenerierung.
Mehrere KI-Spezialisten koordinieren
Nicht ein einziger Assistent soll alles können. Je nach Frage übernimmt ein Spezialist für Recherche, Übersetzung, Service, IT-Wissen oder Planung.
Workflow as Code
Agentic Engineering.
Reproduzierbar statt promptgetrieben.
Ich habe diesen Prozess gebaut, um unkontrollierte Agentenänderungen durch klare Artefakte, reproduzierbare Übergaben, Architekturregeln und Quality Gates zu ersetzen. Planner, Coder, Tester und Reviewer sind Mittel zum Zweck – entscheidend ist der belegbare Softwareprozess.
Planner: Plant die Umsetzung
Analysiert Ziel, bestehenden Code und Abhängigkeiten. Daraus entstehen Arbeitsschritte, Risiken und klare Akzeptanzkriterien.
Gute Qualität braucht mehr als einen grünen Unit-Test.
Die drei Testebenen prüfen unterschiedliche Fehlerklassen. Erst gemeinsam zeigen sie, ob eine Änderung lokal korrekt ist, mit anderen Komponenten funktioniert und die langfristigen Architekturregeln einhält.
Unit-Tests
Prüfen einzelne Funktionen und Regeln isoliert: Grenzwerte, Berechnungen, Fehlerfälle und erwartete Ausgaben.
Beispiel: Rabattgrenze 20 %Integrationstests
Prüfen das Zusammenspiel mit Datenbank, APIs, Dateien und anderen Diensten einschließlich Fehler- und Wiederholungsfällen.
Beispiel: Auftrag lesen → Ergebnis speichernArchitekturtests
Schützen Systemgrenzen: erlaubte Abhängigkeiten, Schichtentrennung, Datenzugriffe und festgelegte Sicherheitsregeln.
Beispiel: Fachlogik greift nie direkt auf die UI zuIch verwende pi.dev für meinen Softwareprozess, weil der Coding-Agent minimalistisch bleibt und sich sehr gezielt anpassen lässt. Eigene Rollen, Fähigkeiten, Werkzeuge, Übergaben und Qualitätsprüfungen können passend zum jeweiligen Repository zusammengesetzt werden, ohne den Prozess an eine starre Oberfläche oder vorgegebene Arbeitsweise zu binden.
pi.dev · minimalistisch · anpassbar · workflow-fähigWerkzeuge nach Verantwortung
Kein Buzzword-Stack.
Eine Pipeline.
Jeder Baustein hat eine verständliche Aufgabe: Oberfläche, Koordination, Suche, Datenstruktur, Modell, Betrieb oder Unterstützung bei der Softwareentwicklung.
Qualität für anspruchsvolle Aufgaben
OpenAI-, Anthropic- oder Mistral-Modelle kommen je nach Analysequalität, strukturiertem Output und Kontextbedarf infrage. Die Anwendung begrenzt dabei Daten und Werkzeuge.
Souveräne Betriebsoptionen
Europäische Anbieter und Hosting-Optionen können Beschaffungs- und Betriebsanforderungen unterstützen. DSGVO-Konformität entsteht erst durch Vertrag, Hosting-Ort, Datenminimierung und technische Konfiguration.
Sensible Inhalte lokal verarbeiten
Offene Modelle wie Gemma können über vLLM oder Ollama innerhalb der eigenen Infrastruktur betrieben werden. Das reduziert unnötige Datenübertragung und ermöglicht Offline-Szenarien.
09 Engineering-Themen
Vom Modell zum
verlässlichen Produkt.
Wähle ein Thema: Die Karte erklärt die konkrete Rolle innerhalb meiner Anwendungen.
RAG & Evidenz
Antworten aus gefundenem Kontext statt aus Vermutung. Retrieval, Ranking und Quellenanzeige werden als Produktfunktion gedacht.
Betriebsmodell
Von der Idee
in den Betrieb.
Scope
Welche Entscheidung darf das Modell unterstützen – und welche ausdrücklich nicht?
Data
Welche minimale Information benötigt der konkrete Schritt?
Contract
Welches JSON-Schema, Tool oder Quellenformat ist verbindlich?
Evaluate
Welche Golden Cases, Gegenbeispiele und Qualitätsmetriken prüfen das Verhalten?
Observe
Welche technischen Ereignisse sind hilfreich, ohne sensible Prompts zu protokollieren?
Fallback
Wie arbeitet der Nutzer bei Timeout, Nichtwissen oder Modellwechsel sicher weiter?
Mein Ansatz
So viel KI
wie sinnvoll.
So viel Kontrolle
wie nötig.
Verstehen und vorbereiten
Das Modell darf Informationen strukturieren, Inhalte erklären, Quellen finden und mögliche nächste Schritte formulieren.
Prüfen und freigeben
Regeln, Datenänderungen und Prozessfreigaben bleiben durch eindeutige Verträge, automatisierte Tests und menschliche Entscheidungen abgesichert.
Das System bindet sich nicht unnötig an einen einzelnen Anbieter.
Feste Grenzen verhindern unkontrollierte Zugriffe und Änderungen.
Kritische Entscheidungen besitzen immer einen nachvollziehbaren Freigabepunkt.