Linus Lange

Ein international tätiges Unternehmen der Maschinenbau- und Bauindustrie befand sich in der Vorbereitungs- und Analysephase einer umfassenden SAP S/4HANA-Einführung im Bereich Produktionsplanung und Lagerverwaltung. Ziel des Projekts war es, die bestehenden Produktions- und Logistikprozesse vollständig zu verstehen, zu dokumentieren und als Grundlage für die spätere Systemkonfiguration aufzubereiten. Die Herausforderung bestand darin, komplexe Fertigungsabläufe in kurzer Zeit zu erfassen und in eine klare, für alle Beteiligten nachvollziehbare Form zu überführen.

Im Rahmen meiner ersten Projekteinsätze bei mindsquare übernahm ich die Analyse der bestehenden Produktionsplanungsprozesse in SAP PP sowie erste Einblicke in die EWM-Prozesse. Dazu führte ich strukturierte Gespräche mit Key Usern aus den Fachbereichen Produktion und Logistik, um Prozessschritte, Systemnutzung und Besonderheiten im Detail zu verstehen. Parallel dazu arbeitete ich mich eigenständig in die relevanten SAP-Transaktionen und Systemzusammenhänge ein.

Die gewonnenen Erkenntnisse überführte ich in eine strukturierte Prozessdokumentation, die sowohl für das interne Projektteam als auch für die spätere Konfigurationsphase nutzbar ist. Dabei achtete ich auf eine verständliche Aufbereitung, die Fach- und IT-seitige Anforderungen gleichermaßen abbildet. Die enge Zusammenarbeit mit erfahrenen Seniors im Team ermöglichte es mir, schnell einen belastbaren Überblick über das Projektvorgehen und die Kundenanforderungen zu gewinnen.

Das Ergebnis war eine vollständige Ist-Prozessdokumentation als tragfähige Grundlage für die weitere Systemkonfiguration. Ich konnte erste wertvolle Beratungserfahrung in einem realen SAP-Kundenprojekt sammeln und mein in der IEE2E-Zertifizierung erworbenes Wissen direkt in der Praxis anwenden und vertiefen.

Im F&E-Bereich eines führenden Automobilherstellers bestand die Herausforderung darin, den hohen manuellen Aufwand bei der Erstellung, Evaluation und Bereitstellung von Machine-Learning-Modellen zu reduzieren. Das Team benötigte eine skalierbare Lösung, die es ermöglicht, aus Rohdaten reproduzierbar geeignete Modellarchitekturen zu identifizieren und zu trainieren — ohne dass für jeden Anwendungsfall tiefgreifende ML-Expertise vorausgesetzt werden musste.

Ich übernahm die eigenständige Konzeption und Implementierung einer AutoML-Pipeline in Python. Dabei analysierte ich zunächst die bestehenden Anforderungen und Datensituationen im Team, um die Pipeline auf die tatsächlichen Anwendungsfälle zuzuschneiden. Der Schwerpunkt lag auf der automatisierten Vorverarbeitung von Rohdaten, der systematischen Evaluierung verschiedener Modellarchitekturen sowie der reproduzierbaren Bereitstellung der besten Modelle für den Produktionseinsatz.

Die technische Umsetzung erfolgte auf Basis von Python mit scikit-learn und NumPy. Zur Sicherstellung der Nachvollziehbarkeit und Versionierung wurden alle Experimente in Jupyter Notebooks dokumentiert und über Git verwaltet. Durch iterative Abstimmungen mit dem Team stellte ich sicher, dass die entwickelte Lösung nahtlos in den bestehenden Entwicklungsworkflow integriert werden konnte.

Das Ergebnis war eine funktionsfähige, vollständig dokumentierte AutoML-Pipeline, die dem Team eine signifikante Zeitersparnis bei der Modellentwicklung ermöglichte. Das Unternehmen erhielt eine skalierbare und reproduzierbare Grundlage für datengetriebene Analysen in der Produktentwicklung, die unabhängig vom individuellen ML-Kenntnisstand der Mitarbeitenden eingesetzt werden kann.

Die Bank verfügte über eine Vielzahl vertriebsrelevanter Datenpunkte, die jedoch in unterschiedlichen Quellen vorlagen und nicht systematisch ausgewertet wurden. Das Management benötigte strukturierte, verlässliche Auswertungen der Vertriebsperformance, um fundierte Steuerungsentscheidungen treffen zu können. Ziel war der Aufbau eines standardisierten, reproduzierbaren Reporting-Prozesses, der regelmäßig und mit geringem manuellem Aufwand betrieben werden kann.

Ich übernahm eigenständig die Verantwortung für Analyse, Konzeption und Umsetzung des Reporting-Systems. Zunächst führte ich intensive Gespräche mit den Fachbereichen, um die tatsächlichen Informationsbedürfnisse des Managements zu verstehen und die relevanten Kennzahlen zu definieren. Auf dieser Basis konsolidierte ich die verschiedenen Datenquellen und entwickelte ein einheitliches Datenmodell als Grundlage für alle Auswertungen.

Die Implementierung des Reportings erfolgte in Excel und SQL, ergänzt durch Python-basierte Automatisierungen für die wiederkehrende Datenaufbereitung. Dabei legte ich besonderen Wert auf nachvollziehbare Berechnungslogiken, klare Visualisierungen und eine Struktur, die auch ohne technisches Vorwissen von den Fachabteilungen gepflegt werden kann. Änderungsanforderungen aus den Abstimmungsrunden wurden iterativ eingearbeitet.

Das Ergebnis war ein vollständig dokumentiertes, automatisiertes Reporting-System, das dem Management regelmäßig aktuelle und verlässliche Einblicke in die Vertriebsperformance liefert. Die zuvor verstreuten Datensilos wurden in einer einheitlichen Auswertungsstruktur zusammengeführt, was die Entscheidungsqualität im Vertriebsmanagement nachhaltig verbessert hat.

Im F&E-Bereich eines führenden Automobilherstellers war über mehrere Jahre eine Flask-basierte Backend-Infrastruktur gewachsen, die zunehmend an ihre Grenzen in Wartbarkeit, Typsicherheit und Performance stieß. Fehlende Typisierung, unstrukturierte Endpunkte und mangelnde automatische Dokumentation erschwerten die Weiterentwicklung und erhöhten das Fehlerrisiko bei Änderungen. Das Team benötigte eine modernisierte Grundlage, die zukünftige Entwicklungen effizienter und zuverlässiger macht.

Ich übernahm die Planung und vollständige Umsetzung der Migration von Flask auf FastAPI. Zu Beginn analysierte ich die bestehende Architektur, erfasste alle vorhandenen Endpunkte und definierte eine schrittweise Migrationsstrategie, die den laufenden Betrieb nicht beeinträchtigte. Ein besonderes Augenmerk lag auf der Einführung durchgängiger Typisierung mit Pydantic-Modellen sowie der automatischen Generierung einer OpenAPI-Dokumentation.

Im Zuge der Migration strukturierte ich die Endpunkte grundlegend neu, führte klare Verantwortlichkeiten pro Modul ein und optimierte kritische Abfragelogiken. Die gesamte Migration wurde lückenlos in Confluence dokumentiert, sodass alle Teammitglieder die neuen Strukturen und Konventionen nachvollziehen konnten. Regelmäßige Abstimmungen mit dem Team stellten sicher, dass die neue Architektur den tatsächlichen Arbeitsabläufen entsprach.

Das Ergebnis war eine vollständig migrierte, typsichere Backend-Infrastruktur mit deutlich verbesserten Responsezeiten und einer automatisch gepflegten API-Dokumentation. Der Entwicklungsaufwand für neue Features reduzierte sich spürbar, und das Team konnte auf eine stabile, gut dokumentierte Grundlage für die Weiterentwicklung aufbauen.

Der F&E-Bereich eines führenden Automobilherstellers benötigte eine Lösung zur Echtzeit-Objekterkennung, die vollständig auf ressourcenbeschränkter Edge-Hardware lauffähig ist — ohne Abhängigkeit von einer Cloud-Infrastruktur. Die zentrale Herausforderung bestand darin, leistungsfähige Computer-Vision-Modelle so zu optimieren, dass sie auf eingebetteten Systemen mit begrenztem Speicher und Rechenkapazität zuverlässig und in Echtzeit funktionieren.

Ich übernahm die eigenständige Konzeption und Umsetzung des Proof of Concept. Zunächst analysierte ich die Hardware-Grenzen des eingesetzten NVIDIA Jetson-Geräts und leitete daraus konkrete Anforderungen an Modellgröße, Inferenzgeschwindigkeit und Genauigkeit ab. Auf dieser Basis evaluierte ich verschiedene Modellarchitekturen im Bereich Object Detection und wählte einen geeigneten YOLO-basierten Ansatz aus.

Die Implementierung erfolgte in Python unter Verwendung von OpenCV und TensorFlow. Ein wesentlicher Teil der Arbeit bestand in der Optimierung der Modellinferenz durch Quantisierung und Anpassung der Vorverarbeitungspipeline an die Hardwaregegebenheiten. Parallel dazu integrierte ich den PoC in das bestehende Testsystem des Teams und dokumentierte Vorgehen, Ergebnisse und Limitierungen vollständig auf Linux-Basis.

Das Ergebnis war ein funktionsfähiger Proof of Concept, der die technische Machbarkeit des Ansatzes unter realen Hardwarebedingungen nachgewiesen hat. Die Arbeit lieferte dem Team eine fundierte Entscheidungsgrundlage für das weitere Vorgehen und zeigte konkret auf, welche Architekturanpassungen für einen produktiven Einsatz erforderlich wären.