∇Leistungen
Leistungen
Mandate in Software Engineering, Data Science, KI-Systemen und Schulungen. Remote-first, mit Präsenz in Luzern, Zug und Zürich für Kickoffs, Workshops und Meilensteine.
|ψ⟩: viele Agenten parallel, ein gemessenes Ergebnis
KI-Harnesses & Agenten
LLM-Anwendungen mit echtem Werkzeugzugriff, getrennten Rechten und ehrlicher Evaluation. Agententeams, die parallel arbeiten und unabhängig geprüft werden.
Sprachmodelle formulieren flüssig, und Flüssigkeit ist kein Beweis. Agentensysteme von Alpentropy nennen ihre Quellen, sagen «unbekannt», wenn es angebracht ist, laufen mit den engsten Rechten, die funktionieren, und werden von Prüfungen verifiziert, die den Code nicht selbst geschrieben haben.
Umfang
- LLM-Anwendungen mit Werkzeuganbindung über MCP
- Agentische Entwicklungsabläufe: parallele Agenten in isolierten Arbeitskopien, unabhängiges Review
- Evaluation mit deterministischen Prüfungen und LLM-Judges
- Local-first-KI-Tooling, wenn Daten den Rechner nicht verlassen dürfen
Erfahrung
- LLM Harness: quellengestützte Softwareanalyse mit getrennten Rechten für Lesen, Schreiben, Tests und Git
- Comic Workshop: agentische Produktionsstrecke für ein 114-seitiges Buch mit gemischter deterministischer und agentischer QS
- mnemo: ein Gedächtnis für KI-Coding-Agenten, mit nächtlichen Konsolidierungsläufen und prüfbaren Berichten
Werkzeugkasten: Claude Code · Codex · MCP · LLM judges · Python · TypeScript · Git worktrees
∂System/∂t: Veränderung, unter Kontrolle
Software Engineering
Backends, APIs, Cloud-Infrastruktur und die Pipelines, die sie ausliefern. Python zuerst, testgetrieben, wo es zählt.
Software scheitert meist langsam, eine undokumentierte Annahme nach der anderen. Die Antwort sind kleine, explizite Verträge, ein automatisierter Weg in die Produktion und Code, den ein Team ohne Angst weiter verändern kann.
Umfang
- Green-field-Architektur und Backend-Entwicklung in Python
- Serverless und containerisierte Services auf AWS und Azure
- Infrastructure as Code, CI/CD und automatisierte Testpipelines
- Testautomatisierung im grossen Massstab, inklusive Robot-Framework-Tooling
Erfahrung
- Green-field-Architektur in Python für ein grosses Testautomatisierungsprojekt (Versicherung)
- Serverless-Backend auf AWS Lambda für Streamingdaten (Smart Mobility)
- API-getriebenes Datenmanagement auf AWS mit DynamoDB und S3 (E-Commerce)
Werkzeugkasten: Python · FastAPI · pydantic · SQLAlchemy · TypeScript · React · AWS · Azure · Docker · Kubernetes · Terraform · Jenkins · GitLab
Signal statt Rauschen
Data Science & Machine Learning
Vom explorativen Notebook bis zum Modell in Produktion: klassisches ML, Deep Learning und Reinforcement Learning, auf AWS oder Azure.
Der Blick eines Physikers auf Daten: erst das System modellieren, dann fitten, die Unsicherheit beziffern und jedem Ergebnis misstrauen, das zu gut aussieht. Dann das Modell dorthin bringen, wo es sich lohnt: in die Produktion, überwacht.
Umfang
- Explorative Analyse und Modellierung mit echtem Modellierungsanteil
- Deep Learning für Bild und Sprache, inklusive Transformer-Modellen
- Reinforcement Learning, Simulation und Optimierung
- ML-Pipelines und Deployment auf Azure ML, Databricks oder AWS
Erfahrung
- Containerisiertes BERT-basiertes NLP-Modell zur Textklassifikation in einer Serverless-Architektur
- Deep Reinforcement Learning und spieltheoretische Methoden für Szenarien mit unvollständiger Information
- Microsoft Certified: Azure Data Scientist, Data Engineer und AI Engineer Associate
Werkzeugkasten: PyTorch · TensorFlow · JAX · scikit-learn · pandas · NumPy · Spark · Databricks · Azure ML · SageMaker
∫ Wissen dt, integriert ins Team
Schulungen & Workshops
Praxisnahe Kurse zu Machine Learning, Deep Learning und agentischer Entwicklung, für Teams, die es selbst können wollen.
Das beste Ergebnis eines Workshops ist ein Team, das den Trainer nicht mehr braucht. Die Kurse bauen auf Notebooks und echten Übungen auf, von der ersten Regression bis zu Transformern und vom ersten Prompt bis zum geprüften Agenten-Workflow.
Umfang
- Grundlagen des Machine Learning mit Python, NumPy, pandas und scikit-learn
- Deep Learning: CNNs, RNNs und Transformer
- Agentische Softwareentwicklung mit Claude Code und Codex
- Testautomatisierung mit Robot Framework
Erfahrung
- Interaktiver Kurs zu klassischem ML und ein Deep-Learning-Modul mit TensorFlow (Automobil)
- Tutorien in theoretischer Physik und für Studierende an zwei Universitäten
Werkzeugkasten: Python · scikit-learn · TensorFlow · PyTorch · Jupyter · Claude Code · Codex · Robot Framework
∇Wie ein Mandat läuft
- t₀
Messen
Das System verstehen, wie es ist: Code, Daten, Menschen, Randbedingungen. Keine Lösung, bevor das Problem eine Form hat.
- t₁
Modellieren
Verträge, Unbekannte und die Bedeutung von «fertig» aufschreiben, so dass eine Prüfung sie verifizieren kann.
- t₂
Bauen
Kleine Schritte, oft parallel mit beaufsichtigten Coding-Agenten in isolierten Arbeitskopien.
- t₃
Prüfen
Unabhängige Prüfungen gegen den Nachweis, bevor etwas als erledigt gilt. Dann dokumentierte Übergabe.