Mohamed HANNANI, AI Engineer

• Aufbau und Operationalisierung von LangChain-Agenten-Pipelines mit Qdrant-Vektorspeicher in 200+ Gesundheitseinrichtungen — Dokumentenabruf, Q&A und strukturierte Extraktion — Reduktion des manuellen Aufwands um 40%.
• Definition wiederverwendbarer Muster für LLM-Integration (Prompt-Design, RAG, strukturierte Extraktion, Modell-Routing) und fundierte Modellauswahl auf Basis von Kosten-Performance-Abwägungen und Inferenzlatenz.
• Aufbau interaktiver KPI-Dashboards (D3.js, React), die nicht-technische Stakeholder befähigten, operative Kennzahlen selbst abzufragen — 60% weniger Ad-hoc-Reporting-Anfragen.
• Bereitstellung von AWS-Infrastruktur (EC2, Lambda, S3) mit Terraform und CI/CD, Orchestrierung von 50+ Docker-Containern mit Zero-Downtime-Deployments und den erforderlichen Sicherheitsvorkehrungen für eine regulierte Branche.
• Eigenständige Identifikation und Priorisierung von KI-Chancen — Bewertung des Geschäftsnutzens, Vorschlag an Stakeholder und Lieferung bis in den produktiven Einsatz.

• Aufbau von LLM-Reasoning-Pipelines (GPT-4, Claude, LLaMA 2) für automatisierte In-Context-Maschinenübersetzung — Prompt-Engineering, Chain-of-Thought, retrieval-basierter Kontext — 25% BLEU-Verbesserung gegenüber Baseline.
• Entwurf von Evaluationsrahmen zum systematischen Vergleich von Prompts, Kontexten und Modellen — subjektive LLM-Entscheidungen wurden messbar.

• Leitung eines 3-köpfigen Teams beim Aufbau modularer, wiederverwendbarer ML-Inferenzdienste für 156+ Dokumenttypen — Wiederverwendbare Komponenten reduzierten den Integrationsaufwand pro neuem Format um 30%.
• Architektur RESTful API-Dienste (Flask) zur Anbindung von ML-Inferenzsystemen an nachgelagerte Geschäftsprozesse — 10.000+ monatliche Transaktionen, strukturiertes Logging, 99,2% Verfügbarkeit. Deployment auf AWS mit Docker und Kubernetes.

Empfio — Produktive KI-Agenten-Plattform (Solo)

In ~3 Monaten im Alleingang aufgebaut: eine produktive KI-Agenten-Plattform, die als KI-Empfang für Dienstleistungsunternehmen fungiert. Autonome Agenten über Sprache, WhatsApp, Web-Chat, Telegram und SMS — Erstkontakt, Intent-Klassifizierung, Terminbuchung, Kundenzahlungen (Stripe Connect), Follow-ups und Eskalation an Menschen bei Bedarf. Multi-LLM-Routing (GPT-4o, Claude, Groq, Ollama) mit Circuit-Breaker pro Organisation, MCP-konformer Tool-Registry, RAG mit Vektorabruf und Topic-gesteuerter Verhaltenskonfiguration (neue Branche = Konfiguration, kein neuer Code). Vollständige Observability via Langfuse, Prometheus und OpenTelemetry GenAI-Semconv. Aufgebaut auf FastAPI-async-Services, PostgreSQL, Redis, Celery, LiveKit, Next.js.

ECO Analyzer — Gesundheits-Intelligenz-Plattform

Aufbau einer Analytics-Plattform über die deutschen ASV-Gesundheitsdaten (Ambulante Spezialfachärztliche Versorgung) — 18.977+ Ärzte, 247 Spezialistenteams, 688 Städte. Interaktive Geo-Karte (Leaflet, PostGIS) mit Netzwerkanalyse, plus ein KI-Copilot (GPT-4), der natürlichsprachliche Anfragen auf den Datensatz erlaubt — ein wiederverwendbares Retrieval-Muster über Teams und Anwendungsfälle hinweg. 8 unabhängig deploybare Microservices (FastAPI, Node.js) über PostgreSQL + PostGIS und Redis.