Vierzehn Jahre, in denen ich Systeme verlässlich gemacht habe — heute angewandt auf produktive KI.

Produktive KI braucht dieselbe Verlässlichkeits-Strenge, die sicherheitskritische Entwicklung mitbringt. Diese Überzeugung ist der rote Faden meiner Arbeit — und der Grund, warum ich das, was ich tue, als seltene Kombination beschreibe und nicht als Berufswechsel.

Seit vierzehn Jahren baue ich komplexe Systeme so, dass sie in regulierten Umgebungen sicher und verlässlich sind. Heute heißt das Systems Engineering im Automobilbereich bei Audi und CARIAD — dem Software-Unternehmen des Volkswagen-Konzerns — inklusive funktionaler Sicherheit nach ISO 26262 und ASPICE, wo ein Defekt einen Rückruf bedeutet, nicht ein Bug-Ticket. Ich bin Dipl.-Ing. für Mechatronik (TU Dresden) und habe Deep-Learning- und MLOps-Ausbildung ergänzt — DeepLearning.AI auf Coursera, AI/ML-Nanodegrees bei Udacity —, um diese Ingenieurs-Disziplin auf angewandte KI zu richten. Der vollständige Werdegang steht in meinem Lebenslauf und auf LinkedIn.

Ich war auch Betreiber, nicht nur Entwickler. Mehrere der Systeme, die ich gebaut habe, liefen in einem operativen Betrieb, in dem ich dafür verantwortlich war, ob ein Rollout den Kontakt mit echten Nutzern übersteht. Diese Perspektive ist der Grund, warum ich Akzeptanz ebenso als Verhaltensproblem behandle wie als technisches — der schwierigste Teil eines Systems ist meist, Menschen dazu zu bringen, sich darauf zu verlassen.

Ich verantworte Systeme vom Datenmodell bis zum Deployment, damit die Architektur durchgängig stimmig bleibt. Ich gehe bewusst mit Kosten um — ein großer Teil praktischer KI-Entwicklung ist zu wissen, wo man das Modell nicht aufruft — und in allem, was ich baue, ist KI eine starke Komponente, nie das ganze Produkt.