Christian Freischlag digital-thinking
English Kontakt

Zuverlässige KI‑Systeme für den Produktivbetrieb.

KI-Architektur-Reviews · Technische Due Diligence · MLOps · Agentic Engineering

Porträt von Christian Freischlag

Hi, ich bin Christian Freischlag, Machine Learning/AI Engineer mit über zehn Jahren Erfahrung. Ich unterstütze Startups dabei, KI vom Proof-of-Concept in den Produktionsbetrieb zu bringen, mit der Architektur, MLOps-Disziplin und Observability, die Traffic, Budgets und echten Fehlerfällen standhalten. Für Gründer, CTOs und Investoren schaue ich mir außerdem bestehende Systeme unabhängig an: Trägt das, skaliert das, und was sollte als Nächstes passieren?

E-Mail schreiben Leistungen ansehen

Der erste Call ist ein kostenloses Gespräch. Rückmeldung in der Regel innerhalb von 48 Stunden.

Worauf ein Review schaut Die fünf Fragen, die ich am häufigsten höre, und wo im System die Antwort steckt.
Daten Retrieval Modell Serving Evaluation Monitoring 1 2 3 4 5
  1. Daten Haben wir Daten, an die andere nicht einfach herankommen?
  2. Modell Eigene Technologie oder eine dünne Schicht über einem fremden Modell?
  3. Evaluation Woher wissen wir, dass eine Änderung es besser gemacht hat?
  4. Serving Was kostet ein Request, und was passiert bei 10x Traffic?
  5. Monitoring Wer merkt, wenn die Qualität nachlässt, und wie schnell?
Hintergrund
Über zehn Jahre Software- und ML-Engineering. Lead ML Engineer bei Chrono24, danach Manager NLP & KI bei KPMG.
Heute
Hauptjob: MLOps Engineer bei der Auction Technology Group. Beratung nebenher, mit begrenzter Kapazität.
Für wen
Gründungs-Engineers, CTOs und Product Leads. VCs und ihre Portfoliounternehmen.
Wo
Karlsruhe, DE. Remote möglich, auf Deutsch oder Englisch.

Leistungen

Wo ich wirklich helfen kann.

Vier Formen der Zusammenarbeit, alle auf Basis von Dingen, die ich wiederholt in den Produktivbetrieb gebracht habe. Vorab klar abgegrenzt, zeitlich begrenzt und von mir persönlich gemacht.

KI-Architektur- & Produktions-Review

Für Gründer und CTOs

Ein unabhängiger Blick auf ein KI-/ML-System, das in Produktion ist oder kurz davor steht. Bleibt es unter Last und Budgetdruck stabil, sind die richtigen Bausteine gewählt (ML, LLMs, Embeddings, Retrieval, Agents), und was muss zuerst angegangen werden?

Wann es sinnvoll ist

  • Der Prototyp hat alle überzeugt. Jetzt muss er echtem Traffic, echten Budgets und echten Fehlerfällen standhalten.
  • Qualität, Latenz oder Inferenzkosten laufen in die falsche Richtung, und niemand kann genau sagen, warum.
  • Ein größerer Ausbau, ein Plattformwechsel oder eine Schlüsseleinstellung steht an, und vorher soll eine zweite Meinung her.

Was ich mir anschaue

  • Architektur und Datenflüsse, vom Systementwurf bis zum Deployment
  • Evaluation: Wird Qualität wirklich gemessen (offline, A/B-Testing)?
  • Serving, Latenz und Kosten pro Request
  • Observability, Drift-Monitoring, Fehlerfälle
  • Reproduzierbarkeit, CI/CD, Tests, die etwas aussagen
  • Make or buy, und ob das Team das System betreiben kann

Was dabei herauskommt

Ein schriftlicher Bericht mit priorisierten Findings und ein Termin mit dem Team, um ihn durchzugehen. So konkret, dass die Engineers am nächsten Tag mit dem ersten Punkt anfangen können.

Format

In der Regel zwei bis drei Wochen in Teilzeit. Ich lese Code, Doku und Dashboards und spreche mit den Leuten, die das System bauen und betreiben.

Technische Due Diligence für KI

Für VCs und Investoren

Eine technische Bewertung eines Unternehmens, dessen Wert an seiner KI hängt. Hält die Technologie, was der Pitch verspricht, und was braucht es, um sie zu skalieren?

Wann es sinnvoll ist

  • Die KI ist das Produkt, und es muss klar sein, wie viel Substanz dahintersteckt.
  • Eigene Technologie oder eine dünne Schicht über einem fremden Modell? Das sollte vor der Unterschrift geklärt sein.
  • Die KI-Roadmap eines Portfoliounternehmens verzögert sich immer wieder, und es fehlt eine unabhängige Sicht auf die Gründe.

Was ich mir anschaue

  • Was hinter den Aussagen steckt: Modelle, Daten, Evaluation
  • Verteidigbarkeit: was schwer zu kopieren ist und was nicht
  • Skalierbarkeit und Inferenzkosten pro Einheit
  • Engineering-Praxis und Tiefe des Teams
  • Abhängigkeiten und Risiken: Modellanbieter, OSS-Lizenzen, Security

Was dabei herauskommt

Ein kurzes Memo, das ein Investment Committee lesen kann: Findings, Red Flags, offene Fragen an die Gründer und eine klare Gesamteinschätzung. Mit realistischer Machbarkeitseinschätzung und klaren Ansagen, wenn der Pitch zu viel verspricht. Die technischen Details stehen im Anhang.

Format

Unter NDA, Zeitplan vorab vereinbart. Grundlage sind Unterlagen, Code-Zugang, wo möglich, und Gespräche mit dem technischen Team.

Technische Beratung

Für Gründungs-Engineers und CTOs

Sparringspartner für ein paar Stunden im Monat. Meine Philosophie: Schnelles Prototyping für die Validierung, robuste Systeme für den Produktivbetrieb. Nimm das richtige Tool, nicht einfach das Vorhandene.

Typische Themen

  • Architekturentscheidungen
  • Make or buy
  • Roadmap
  • Design-Reviews
  • Interviews mit den ML Engineers, die eingestellt werden sollen

Agentic-Engineering-Beratung

Für Engineering-Teams

Praxisnahe Beratung für Agentic Engineering aus persönlicher Überzeugung: Claude Code, Copilot & Co. und deren Einbindung in die Entwicklungsprozesse, ohne Qualität zu opfern. Wenn die Implementierung schneller wird, staut sich alles davor und danach: bei Entscheidungen, Reviews und Freigaben. Deshalb geht es vor allem um das Drumherum. KI übernimmt langweilige Arbeit, aber der Entwickler sichert die Qualität und setzt die Leitplanken, damit kein Code entsteht, den im Team niemand mehr wirklich versteht.

Das Drumherum

  • CI-Integration und automatisiertes PR-Review
  • CVE-Scanning und QA
  • Refactoring-Agents
  • Human-in-the-Loop: wer gibt was frei
  • Observability, die den Verifikations-Loop schließt. Ein Agent, der Logs lesen kann, ist um Welten besser als einer, der es nicht kann.

Was ich nicht mache: Vollzeit-Contracting oder ein ganzes Team mitbringen, das das Produkt baut. Wenn es das braucht, sage ich das im ersten Call und weiß meist, wen man fragen kann.

Erfahrung

Meine Erfahrung.

Was ich bisher gemacht habe und weiter mache, gebündelt nach Themen statt nach Stationen. Das stammt aus meinen Festanstellungen, nicht aus Kundenprojekten. Es steht hier als Hintergrund, nicht als Referenz oder Empfehlung dieser Unternehmen.

ML/AI-Projekte

Von der Idee bis in den Produktivbetrieb. Zum Beispiel der Chrono24 Watch Scanner: feinabgestimmte Bildklassifikationsmodelle (CNNs, TensorFlow) und eine dedizierte, autoskalierende AWS-Architektur, die im Peak 20.000+ Anfragen pro Tag über die App bediente. Oder ein NLP-basiertes End-to-End-Anti-Fraud-System (vor der LLM-Ära), das SVMs und Random Forests mit LSTMs und Transformern kombinierte, um Verhaltensmuster und sprachliche Signale gemeinsam auszuwerten. Und bei KPMG: LLM-Agent-gestütztes Bewerten von Ergebnissen der Dokumentenextraktion, um die Dunkelverarbeitungsquote zu steigern.

Chrono24 · KPMG

ML-Plattform & MLOps

End-to-End-ML-Plattformen konzipiert und in Produktion gebracht: auf Docker, Airflow, Terraform und Snowflake und als containerisierte NLP-SaaS-Plattform (Python · .NET · Kubernetes · RabbitMQ). Mit allem, was dazugehört: Dependency-Management, Build-System, Umstellung auf Trunk-Based Development und entsprechende DevOps-Pipelines sowie eine Performance- und Skalierungs-Roadmap. ML-Plattform und MLOps verantworte ich auch in meinem aktuellen Job.

Chrono24 · KPMG · Auction Technology Group

Suche, Empfehlungen & GenAI

Learning to Rank in Solr integriert, mit konsequentem NDCG-Benchmarking, um Suchrelevanz quantitativ zu belegen und gezielt zu verbessern. Empfehlungsarchitekturen von klassischem Collaborative Filtering über Embeddings bis zu Eigenentwicklungen (vorgestellt auf der Rework AI in London 2022). Interne Einführung von LLMs, OpenAI-APIs und Vector Search vorangetrieben, von experimentellen Prototypen bis hin zu produktiven GenAI-Anwendungsfällen.

Chrono24

Betrieb & Compliance

Eskalations-Engineer für Produktionsstörungen, Root-Cause-Analysen und Post-Mortems. Verantwortlich für Enterprise-Compliance wie OSS-Lizenzen, CVE- und Vulnerability-Management auf dem Security-Niveau, das in einer Big-Four-Umgebung erwartet wird.

KPMG

Hiring & Führung

Technischer Hiring-Lead und Mentor: Interviews, Onboarding und fachliche Weiterentwicklung von Machine-Learning- und Data-Engineering-Teams, bei Chrono24, bei KPMG und in meinem aktuellen Job. Cross-funktionales Team von 5 bis 10 über ML, Backend und DevOps hinweg technisch geführt.

Chrono24 · KPMG · Auction Technology Group

Machbarkeit & Strategie

Technischer SME für NLP / ML / GenAI in strategischen Sales- und Management-Runden mit realistischer Machbarkeitseinschätzung bei Proposals und klaren Ansagen, wenn Kundenversprechen zu weit gingen. Die Geschäftsführung bei ML-Priorisierung und Themenauswahl entlang der Unternehmensziele beraten.

KPMG · Chrono24

Beratungsprojekte

Beratung, vertraulich.

US Luxury-eCommerce-Plattform

Beratung der Founding-Engineers zu den KI-Grundlagen einer Luxury-eCommerce-Plattform (US). Mitgestaltung eines hierarchischen, empfehlungstauglichen Katalog- und Listing-Datenmodells, das langfristig trägt. Begleitung bei der Integration von Visual Embeddings ins Retrieval, damit die Plattform in einem stark ästhetischen Katalog ähnliche Produkte zuverlässig findet. Mit Fokus auf einen produktionsreifen, nachvollziehbaren ML-Stack.

Berater für angewandte KI-Architektur · 2025–2026

Marktplatz, ClimateTech

Beratung und KI-gestützte Implementierung.

Agentic Engineering und Software Architektur · 2025–2026

Stationen

Auction Technology Group (heute), KPMG, Chrono24, CERN

Ausbildung

M.Sc. Machine Learning (2016–2018) und B.Sc. Informatik (2011–2015), Karlsruhe University

Vorträge

„NLP-inspired deep recommender for out-of-catalog items“, RE•WORK AI Summit, London 2022

Zertifikate

Learning to Rank (2024) und Solr Search (2023), Opensource Connections

Ablauf

So läuft ein Projekt ab.

  1. Erster Call

    Ein kostenloses Gespräch, etwa 30 Minuten. Das Problem kommt auf den Tisch, und ich sage offen, ob ich der Richtige dafür bin.

  2. Scope

    Wir halten schriftlich fest, welche Fragen beantwortet werden sollen, welchen Zugang ich brauche, Zeitplan und Preis. Bevor die Arbeit losgeht.

  3. Die Arbeit

    Ich lese Code, Doku und Dashboards und spreche mit den Leuten, die das System bauen und betreiben.

  4. Findings

    Schriftlich, priorisiert und gemeinsam durchgegangen. Klar genug fürs Management, detailliert genug für die Engineers.

Weiterhin Engineer

Ich bin Engineer und will es bleiben. Die Beratung läuft neben meinem Hauptjob: Teilzeit und nur wenige Projekte gleichzeitig, dafür Rat von jemandem, der solche Systeme jede Woche selbst baut und betreibt.

Unabhängig

Keine Agentur im Rücken, kein Folgeprojekt, das ich verkaufen muss. „Passt so, nichts ändern“ ist ein gültiges Ergebnis.

Vertraulich

NDA ist Standard. Projekte, die mit meinem Arbeitgeber in Konflikt stehen, nehme ich nicht an.

Artikel

Notizen aus der Praxis.

Artikel zu angewandter KI, MLOps, eCommerce-Suche — und der Engineering-Arbeit dahinter. Auf Englisch.

Mehr auf Substack und Medium.

Das Problem in einem Absatz beschreiben.

Ich sage offen, ob ich der Richtige dafür bin — und falls nicht, wer es ist. Rückmeldung in der Regel innerhalb von 48 Stunden. Der erste Call ist ein kostenloses Gespräch.

Christian Freischlag Machine Learning/AI Engineer

E-Mail-Adresse anzeigen
E-Mail schreiben

Hilft, ist aber kein Muss

  • Der aktuelle Stack — und wo es weh tut
  • Teamgröße & interne ML-Kompetenz
  • Was bisher versucht wurde

GitHub Substack Medium