Philip Vana
AI Engineer · Gemessenes, souveränitätsfähiges RAG · Berlin, Deutschland
Hintergrund
Ich bin Data Engineer bei Deutsche Rentenversicherung Bund in Berlin, einer der größten Institutionen des öffentlichen Sektors in Deutschland. Meine Arbeit umfasst End-to-End-Ownership produktiver ETL-Systeme: Requirements Engineering, Implementierung, Deployment, Incident Response und operative Übergaben. Der Maßstab ist real — Batch-Loads im Milliarden-Datensatz-Bereich, strikte Enterprise-Change-Prozesse und Reporting-Systeme, auf die Fachbereiche täglich angewiesen sind.
„Produktionsreif" bedeutet in dieser Umgebung observierbar, neustartbar und unter Druck diagnostizierbar — gebaut für die Person, die um 6 Uhr morgens einen Vorfall bearbeitet, nicht nur für die, die es entworfen hat. Denselben Standard bringe ich in die KI: RAG, Retrieval, Evaluation und Agenten-Tooling, deren Qualität gemessen und regression-gated ist, nicht behauptet. Und wo die Daten es verlangen, bleibt der Stack end-to-end souverän — die Referenzarchitektur hinter der Demo auf dieser Seite läuft auf EU-Infrastruktur, ohne US-Dienst im Pfad.
Engineering-Mindset
- — Ich bevorzuge langfristige Klarheit gegenüber kurzfristigen Abkürzungen, besonders unter strikten Constraints.
- — Stabilität in Produktion ist eine Grundlinie, kein Bonus. Ich entwerfe Systeme so, dass sie observierbar, diagnostizierbar und wartbar sind.
- — Ich denke in Systemen: in klare Komponenten zerlegen, die Invarianten explizit machen und validieren, wie die Teile unter Last interagieren.
Zusammenarbeit
Zusammenarbeit
- — Ich starte von einem schriftlichen Scope: was enthalten ist, was nicht und wie Erfolg aussieht.
- — Design-Entscheidungen werden dokumentiert, während sie getroffen werden. Keine stillen Architektur-Änderungen.
- — Übergaben enthalten operative Runbooks, nicht nur Code.
- — Ich arbeite gut asynchron. Zeitzone: CET/CEST (Berlin).