Full-Stack DevOps Engineer

2/2021 – 11/2023

## Projektzusammenfassung
Als Full-Stack DevOps und Infrastructure Engineer habe ich eine hochverfügbare, geografisch verteilte Kubernetes-Plattform für Machine-Learning-Workloads konzipiert und implementiert. Die Infrastruktur umfasste 12 Knoten an verschiedenen Standorten und unterstützte über 150 produktive Container-Workloads.

## Kernkompetenzen & Technische Umsetzung

### Kubernetes-Infrastruktur & Netzwerk
- Aufbau einer produktionsreifen K3s-Cluster-Architektur mit 12 geografisch verteilten Knoten
- Implementation einer sicheren Netzwerkarchitektur mittels Cilium für Container-Networking
- Einrichtung einer standortübergreifenden VPN-Infrastruktur mit OPNsense für sichere Cluster-Kommunikation
- Virtualisierung der gesamten Infrastruktur auf Proxmox-Basis für maximale Flexibilität und Ressourceneffizienz

### DevOps & Automatisierung
- Vollständige Infrastruktur-Automatisierung mittels Ansible für reproduzierbare Deployments
- Implementierung von GitLab als zentrales DevOps-Toolinklusive:
- Selbst gehostete Gitlab und Container-Registry für sichere Image-Verwaltung
- CI/CD-Pipelines für automatisierte Build- und Deployment-Prozesse
- Integration von ArgoCD für GitOps-basiertes Kubernetes-Deployment-Management
- Monitoring-Stack-Implementation mit Prometheus und Grafana für umfassende Systemüberwachung

### Machine Learning & Data Infrastructure
- Aufbau einer skalierbaren Machine-Learning-Infrastruktur auf Kubernetes, bestehend aus:
- JupyterHub-Deployment via Helm für kollaboratives ML-Training
- MLflow für standardisiertes Modell-Management und Experiment-Tracking
- Integration von TensorFlow und Keras für Deep Learning Workloads
- Implementation eines Kafka-Clusters für Stream-Processing
- Einrichtung von Apache Druid für Real-Time Analytics
- Optimierung der Storage-Infrastruktur mit Rook-Ceph für persistente Datenspeicherung

### Performance & Skalierung
- Erfolgreiches Management von über 150 Produktiv-Containern
- Implementierung von Load-Balancing und Auto-Scaling für ML-Workloads
- Optimierung der Cluster-Performance durch effizientes Resource Management
- Aufbau einer hochverfügbaren Storage-Lösung für ML-Datensätze und Modelle

## Erreichte Ziele
- Etablierung einer vollständig automatisierten, selbstheilenden Kubernetes-Infrastruktur
- Reduzierung der Deployment-Zeiten durch optimierte CI/CD-Pipelines
- Gewährleistung von 99.9% Uptime für kritische ML-Workloads
- Implementierung eines umfassenden Security-Konzepts für verteilte Systeme
- Ermöglichung von kollaborativem ML-Training über verschiedene Standorte hinweg

## Technologie-Stack
- **Container-Orchestrierung:** Kubernetes (K3s)
- **Virtualisierung:** Proxmox
- **Networking:** Cilium, OPNsense VPN
- **CI/CD:** GitLab, ArgoCD
- **Monitoring:** Prometheus, Grafana
- **Storage:** Rook-Ceph
- **ML-Tools:** MLflow, JupyterHub, TensorFlow, Keras
- **Data Processing:** Apache Kafka, Apache Druid
- **Infrastructure as Code:** Ansible

Cloud Computing, Cloud Spezialist, Deeplearning4j, DevOps, IT Ingenieur-Infrastruktur, Machine Learning, MLOps, Software engineering / -technik, Solution Architekt