Vladislav Lasmann

Entwickelte und implementierte einen skalierbaren Data Lake auf der Google Cloud Platform (GCP) für die Abteilung Anti-Financial Crime (AFC), um Initiativen zur Geldwäschebekämpfung und Terrorismusfinanzierung zu unterstützen

Erstellte robuste Datenpipelines, um täglich über 30 Millionen Transaktionen aus Privat- und Firmenbanken zu erfassen und zu verarbeiten, und wandte dimensionales Modellieren an, um erweiterte Analysen und regulatorische Berichte zu ermöglichen

Sorgte für Ausfallsicherheit durch die Implementierung von Change Data Capture, Late-Data-Handling und Schema-Evolution in sich entwickelnden Quellsystemen

Führte ein kleines Engineering-Team und arbeitete mit internationalen Stakeholdern in Deutschland, Singapur, Sri Lanka, Hongkong, Taiwan und Thailand zusammen, um Compliance, Datenqualität und Performance sicherzustellen

Google Cloud Platform (GCP)

Apache Spark (Dataproc & Cloudera Data Platform - Python PySpark)

Apache Airflow (Cloud Composer - Python API)

Google Cloud Storage

BigQuery

GitHub Actions

Terraform

Google Kubernetes Engine (GKE)

Entwickelte ein automatisiertes, hochverfügbares Near-Realtime-System zur Überwachung und Bewertung von Lieferungen in ganz Europa

Azure DevOps

Azure DataFactory

Azure Data Lake

Apache Spark (Python PySpark via Databricks)

Apache Kafka

Apache Hive

Delta Lake

ADLS Gen2

Unity Catalog / Databricks SQL

Microsoft SQL Server

Apache Kafka

Azure DevOps Pipelines

Microsoft PowerBI

Terraform

Entwickelte Komponenten für automatisierte Smart-Contract-Analyse und Dokumentengenerierung auf einer Plattform für Smart-Contract-Analytics

Integrierte reine Machine-Learning-Modelle in Produktions-Workflows

Spring-Boot

Python Flask

Python-Bibliotheken zur PDF-Feature-Extraktion und -Erstellung

MinIO & S3 Storage

Postgres Database

Keycloak-Benutzer-Authentifizierung

Kubernetes

Docker-Compose

GitActions für Continuous Integration & Deployment

Zwei freiberufliche Projekte abgeschlossen, die sich auf Finanzmarktanalysen und die Entwicklung von Anlagestrategien konzentrierten

Daten von Drittanbietern gesammelt und integriert sowie Finanzdaten von verschiedenen Websites gecrawlt

Verteilte Dateninfrastruktur mit PostgreSQL, MongoDB und Neo4j aufgebaut und an einen Apache-Spark-Verarbeitungscluster angebunden

End-to-End-Datenpipeline entwickelt und Softwareumfeld für Backtesting und Portfolioumschichtung implementiert

Skalierbare und benutzerfreundliche Webanwendung zur Strategieauswahl und Simulation erstellt

Als Scrum Master agiert, agile Abläufe gesteuert und Teamkoordination gefördert

REST-APIs von Drittanbietern

Web-Crawling mit Python–Scrapy und Python-BeautifulSoup

Postgres

Neo4J

Sharded MongoDB

Cassandra

ApacheSpark

Python–Pandas

Python–Django

Python–Flask

Kubernetes

Docker-Compose

Jenkins