sifamo GmbH

SIFAMO begleitete ein führendes Finanzinstitut bei der Entwicklung eines KI-gestützten Dokumentenmanagementsystems zur semantischen Analyse regulatorisch relevanter Inhalte aus gescannten Formularen, Verträgen und Rechnungen.

Kern des Systems war ein mehrschichtiger Generative-AI-Stack: GPT-Modelle (OpenAI) wurden über Spring AI in ein domänenspezifisches Retrieval-Augmented Generation (RAG)-Framework eingebunden. Die Vektorsuche erfolgte mittels PGVector in Kombination mit PostgreSQL, ergänzt durch ein internes LLaMA-Modell via Hugging Face and FastAPI in isolierter Azure-Umgebung.

Zur Vorverarbeitung kamen OpenCV and YOLO für die Extraktion relevanter Inhalte aus gescannten Dokumenten zum Einsatz. Die Backend-Architektur basierte auf Spring Boot 3 and Spring Security, ausgerollt als Microservices via Docker, Kubernetes/OpenShift and Helm.

Zusätzlich unterstützte SIFAMO die Migration bankinterner Legacy-Services auf Kotlin, implementierte Kafka/Kafka Streams und entwickelte eine zentrale Commons Library. Die CI/CD-Pipelines wurden von Jenkins auf GitLab CImigriert; Deployment und Tests wurden in vCluster-basierten Umgebungen durchgeführt.

Die Qualitätssicherung umfasste automatisierte Tests mit JUnit 5, Mockito, Postman, ergänzt durch Monitoring mit Prometheus, Grafana, OpenSearch and Dynatrace. Sicherheitsmaßnahmen wurden mit Trivy, Defect Dojo and Renovate etabliert.

Das Projekt wurde agil nach Scrum and SAFe realisiert, mit technischer Leitung in Architekturfragen, Pair Programming, regelmäßigen Code Reviews und domänenspezifischem Prompt Engineering.

SIFAMO realisierte für ein führendes Unternehmen im Bereich Transport & Logistik ein System zur Echtzeitdatenverarbeitung, das Informationen für Reisende zuverlässig aggregiert und bereitstellt. In der Rolle als IT-Consultants und Lead Software Engineers übernahmen Mitarbeitende von SIFAMO die Weiterentwicklung einer Microservice-Architektur auf Basis von Apache Kafka, Kafka Streams and RabbitMQ. Zusätzlich wurde eine Migration von einer Managed-Cloud in eine selbstverwaltete OpenShift-Infrastruktur verantwortet, inklusive Kontrolle über Netzwerkarchitektur, Pod-Platzierung und Sicherheitsrichtlinien.

The CI/CD-Pipeline wurde vollständig von Jenkins auf GitLab CI umgestellt und um sicherheitskritische Quality Gates, automatisierte Deployments sowie rollenbasierte Deployments mit OpenShift Routes erweitert. Alle Microservices wurden mit Docker containerisiert und über Helm and Kustomize orchestriert, mit Unterstützung von vCluster für isolierte Integrationstests.

Im Rahmen der Softwarequalität wurden End-to-End-Tests mit FitNesse, Cypress und Playwright, sowie JUnit-Testsim Backend und Mocking mit Mockito eingesetzt. Zur Überwachung der Produktionsumgebung implementierte das Team Monitoring mit Prometheus, Grafana und OpenSearch.

Strategisch begleitete SIFAMO die Vorbereitung auf zukünftige KI-Integration durch den Aufbau semantisch durchsuchbarer APIs für ein internes Generative-AI-System (z. B. BahnGPT). Darüber hinaus leitete das Team die Initiierung einer AI-Driven-Development-Initiative zur Entwicklung von Prototypen für Verspätungsprognosen, dialogbasierte Assistenzsysteme and Natural Language Interfaces, deren Ergebnisse direkt in spätere GenAI-Projekte einflossen.

SIFAMO begleitete einen führenden Automobilzulieferer (Robert Bosch GmbH) bei der Entwicklung einer KI-gestützten Wissensplattform von der initialen Konzeptionsphase bis zum produktiven Cloud-Rollout. Ziel war es, das domänenspezifische Wissen im Schraubenmanagement durch Generative AI strategisch zu erschließen, bestehende Prozesse datenbasiert zu automatisieren und eine adaptive, interaktive Nutzererfahrung bereitzustellen.

Die Lösung wurde in einer hybriden Cloud-Umgebung auf Microsoft Azure und Google Cloud Platform implementiert. Zentrale Bestandteile waren ein domänenspezifisches GPT-System, das produktionsnahe Fachfragen semantisch aufbereitet beantwortet, sowie ein robustes Microservice-Backend auf Basis von Spring Boot and Spring Cloud. Für die Verarbeitung großer technischer und semantischer Datenmengen wurde Apache Kafka als Messaging-Layer eingesetzt.

Zur optimalen Anpassung der Sprachmodelle wurden Methoden wie Zero-Shot- und Few-Shot-Learning, Prompt Engineering sowie Fine-Tuning auf Produktionsdaten eingesetzt. Die Verwaltung und Orchestrierung der LLMs erfolgte über OpenAI, Hugging Face, LangChain and Google Vertex AI. Die Antwortqualität wurde durch Retrieval-Augmented Generation (RAG) and semantisches Matching kontinuierlich optimiert.

Das Frontend wurde als modulare Monorepo-Architektur mit Angular (v13–16), Tailwind CSS, NgRx (inkl. Facade Pattern) und RxJS realisiert. Durch Lazy Loading, Responsive Design und dynamisches State Management entstand eine performante und nutzerzentrierte Oberfläche.

Die Umsetzung erfolgte in enger Abstimmung mit den Product Ownern, u. a. zur Analyse von Use Cases, zur UX-Optimierung sowie zur strategischen Integration von KI-Komponenten. Die Plattform wurde testgetrieben entwickelt (TDD) und durch automatisierte End-to-End-Tests mit Cypress, Playwright and Jest abgesichert. Die APIs wurden versioniert, auf Datenvalidierung hin optimiert und zentral dokumentiert.

Zur Steigerung der Wartbarkeit und Wiederverwendbarkeit wurde ein unternehmensweites Shared Library-Konzeptetabliert. Die kontinuierliche Qualitätssicherung erfolgte durch regelmäßige Code Reviews, Pair Programming, sowie die Nutzung moderner DevOps-Praktiken über Azure DevOps Pipelines, IntelliJ, Git and Maven.