Thomas Langer
e18ff6c44a
Finale Fassung (Make.com-Praxis, Coaching/Wissenstransfer, Remote-Tools, 40h-Scoping, CRM-API-Beleg); Anrede Frau Gohel; Wortwiederholung einsetzen->nutzen. Gedaechtnis: Make.com als verifizierter Fakt (inhalte, schwerpunkte); Stil-Regeln (Kurzprojekt-Scoping als Staerke, Coaching-Rollen mit konkreten Belegen auch bei Agentur). Register aktualisiert. Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
31 lines
2.8 KiB
Markdown
31 lines
2.8 KiB
Markdown
# Schwerpunkte (kontrolliertes Vokabular)
|
|
|
|
Erlaubte Schlagworte zur Klassifikation von Projekten und Bewerbungen.
|
|
Beim Schreiben einer Bewerbung **nur** Schlagworte aus dieser Liste verwenden.
|
|
Fehlt ein passendes Schlagwort, hier ergänzen (mit Kurzdefinition) und im
|
|
Commit begründen. Ziel: gleiche Schwerpunkte immer gleich benennen
|
|
(kein „ML" vs. „Machine Learning" vs. „KI").
|
|
|
|
| Schlagwort | Definition |
|
|
|---|---|
|
|
| Agentic AI | Autonome KI-Agenten, Tool Use / Function Calling, Coding-Agent-Umgebungen (Claude Code/Cowork, Cline) |
|
|
| MCP | Model Context Protocol; Anbindung externer Systeme/Tools an LLMs |
|
|
| RAG | Retrieval Augmented Generation inkl. Chunking, Embeddings, Vektordatenbanken |
|
|
| LLM | Large Language Models: Auswahl, Betrieb, Evaluierung, Fine-Tuning, On-Premise |
|
|
| Vektordatenbanken | Pinecone, Qdrant und vergleichbare Vektorspeicher für semantische Suche |
|
|
| On-Premise KI | Eigenbetrieb von KI-Inferenz auf eigener Hardware (GPU-Inference, Quantisierung) |
|
|
| MLOps | Aufbau und produktiver Betrieb von ML-/LLM-Infrastruktur, Deployment, Monitoring |
|
|
| Container | Containerisierung und Deployment mit Docker/Podman |
|
|
| Python | Python-Entwicklung im Produktionskontext (FastAPI, Tooling, Datenverarbeitung) |
|
|
| Event-Streaming | Verarbeitung kontinuierlicher Daten-/Nachrichtenströme, Message-Middleware (DDS, SOME/IP) |
|
|
| Öffentlicher Sektor | Endkunde aus Verwaltung/Behörden/öffentlicher Hand (oft mit Sicherheitsanforderungen) |
|
|
| Produktiver Einsatz | Tätigkeit zielt auf produktiven Wirkbetrieb, nicht nur Prototyp/PoC |
|
|
| Produktiver KI-Betrieb | Betrieb von KI-/LLM-Systemen im laufenden produktiven Wirkbetrieb (MLOps, Deployment, Monitoring) |
|
|
| Systems Engineering | Systemarchitektur, Konzepte, technische Spezifikationen, disziplinübergreifende Schnittstellenkoordination |
|
|
| System Integration | Integration von Hardware-, Software- und Subsystemen, Inbetriebnahme (Schreibweise immer „System Integration", siehe stil.md) |
|
|
| Requirements Engineering | Analyse, Verwaltung und Spezifikation von (System-)Anforderungen, Requirements-Management-Werkzeuge |
|
|
| Verifikation & Validierung | V&V-Strategien, Test, systematische Ursachenanalyse, technisches Troubleshooting |
|
|
| Embedded & Kommunikationstechnik | Embedded Systems und Kommunikationstechnologien (Ethernet, TCP/IP, CAN, Bussysteme) |
|
|
| Workflow-Automatisierung | Prozess-/Workflow-Automatisierung mit Low-Code-/Automatisierungstools (Make.com, n8n, Langflow, UI.Vision, PyAutoGUI), Integration über REST-APIs, Webhooks und JSON, eigene Logik in JavaScript |
|
|
| Multimodale KI | Verarbeitung/Analyse mehrerer Modalitäten (Text, Bild, Audio) mit KI, inkl. Vision-Language-Modellen; Computer Vision und intelligente Dokumentenanalyse (nur Modell-Evaluierung belegt, keine klassische Bildverarbeitung/OCR) |
|