LorikBajrami

AI & Cloud Solutions Architect

For seven years I have built the engineering that takes AI from a prototype to a system an enterprise can operate. Seit sieben Jahren baue ich das Engineering, das KI vom Prototyp in ein System bringt, das ein Konzern auch wirklich betreiben kann.

Write to meSchreiben Sie mir

Lorik Bajrami

AboutÜber mich

A prototype proves an idea works. Production is a different problem: the system has to hold under load, stay within its cost ceiling, respect data residency rules, and leave an audit trail behind every answer. Engineering closes that gap, not better models.

Closing that gap is what large German enterprises have brought me in to do since 2019, on AWS and Azure. That has meant data platforms, AI applications, and the backend services behind them. I make the architecture decisions, then build it myself or lead the team that does.

Ein Prototyp zeigt, dass eine Idee trägt. Der Produktivbetrieb ist ein anderes Problem: Das System muss unter Last stabil bleiben, seinen Kostendeckel einhalten, Vorgaben dazu erfüllen, wo die Daten liegen dürfen, und hinter jeder Antwort einen Audit-Trail hinterlassen. Diese Lücke schließt Engineering, nicht das bessere Modell.

Genau dafür holen mich große deutsche Unternehmen seit 2019, auf AWS und Azure. Konkret sind das Datenplattformen, KI-Anwendungen und die Backend-Services dahinter. Ich treffe die Architekturentscheidungen und setze sie anschließend selbst um oder leite das Team, das sie umsetzt.

What I buildWas ich baue

  • The platform the models run on. Cloud architecture and infrastructure as code underneath, inference, retrieval and orchestration above, and networking, identity, cost and security settled before the first request rather than after it. Die Plattform, auf der die Modelle laufen. Darunter Cloud-Architektur und Infrastructure as Code, darüber Inference, Retrieval und Orchestrierung. Networking, Identity, Kosten und Security kläre ich, bevor der erste Request läuft, nicht danach.
  • The data underneath it. Lakehouse and warehouse design, ingestion and ETL pipelines, governance and access control, so what a model retrieves is data the business already trusts. Die Daten darunter. Lakehouse- und Warehouse-Design, Ingestion und ETL-Pipelines, Governance und Zugriffskontrolle, damit das, was ein Modell abruft, aus Daten kommt, denen das Unternehmen ohnehin vertraut.
  • The path to production. CI/CD and GitOps, release and environment strategy, observability, and evaluation running in the pipeline rather than in someone’s head, so the person on call can ship a version and reverse it without asking anyone. Most of the outcome is won or lost here. Der Weg in den Produktivbetrieb. CI/CD und GitOps, Release- und Umgebungsstrategie, Observability und eine Evaluation, die in der Pipeline läuft statt im Kopf einer einzelnen Person, damit die Person in der Rufbereitschaft eine Version ausrollen und wieder zurücknehmen kann, ohne jemanden zu fragen. Dort entscheidet sich das meiste.

Consulting, but hands-on. I spend as much time on architecture decisions and their trade-offs as I do in the codebase, and I lead engineering teams rather than hand over a slide deck and leave. Today that is eight engineers, the platforms behind customer-facing applications, and a GenAI application delivering product-aware marketing translations across Europe.

Consulting, aber hands-on. Ich verbringe so viel Zeit mit Architekturentscheidungen und deren Abwägungen wie mit dem Code selbst, und ich führe Engineering-Teams, statt einen Foliensatz zu übergeben und zu gehen. Aktuell sind das acht Engineers, dazu die Plattformen hinter Endkundenanwendungen und eine GenAI-Anwendung für produktbezogene Marketing-Übersetzungen in ganz Europa.

ExperienceWerdegang

  1. 03 | 2025 – nowheute

    Senior Consultant · AI & Cloud Solutions Architect

    Deloitte Consulting GmbH Hamburg

    Artificial Intelligence & Data departmentBereich „Artificial Intelligence & Data“

    • As the AI architect for a globally scaling client, I define and implement the infrastructure behind its GenAI use cases, customer support included: RAG agents on AWS and data handling in Databricks.
    • Ich verantworte als AI Architect die Infrastruktur hinter den GenAI-Use-Cases eines global skalierenden Kunden, einschließlich des Supports für dessen eigene Kunden: RAG-Agenten auf AWS und Datenverarbeitung in Databricks.
    • I designed a GenAI application delivering real-time, product-aware marketing translations across Europe, and I now lead its evolution into an enterprise-ready platform.
    • Ich habe eine GenAI-Anwendung entworfen, die produktbezogene Marketing-Übersetzungen in Echtzeit für ganz Europa liefert, und treibe ihre Weiterentwicklung zu einer unternehmenstauglichen Plattform voran.
    • I build on AWS Bedrock AgentCore: an MCP server on AgentCore Runtime behind an AgentCore Gateway, so agents from another company can call its tools while each side keeps identity control of its own users, with hybrid search on OpenSearch.
    • Ich baue auf AWS Bedrock AgentCore: einen MCP-Server auf AgentCore Runtime hinter einem AgentCore Gateway, über das Agenten eines anderen Unternehmens seine Tools aufrufen können, während jede Seite die Identitätskontrolle über ihre eigenen Nutzer behält, mit hybrider Suche in OpenSearch.
    • I lead a team of eight engineers running and improving several AWS platforms that carry customer-facing applications.
    • Ich leite ein Team von acht Engineers, das mehrere AWS-Plattformen betreibt und weiterentwickelt, auf denen Endkundenanwendungen laufen.

  2. 07 | 2019 – 02 | 2025

    AI & Cloud Solutions Architect

    Lufthansa Industry Solutions GmbH Norderstedt

    Artificial Intelligence & Data Analytics departmentBereich „Artificial Intelligence & Data Analytics“

    • I owned the infrastructure, API design, and engineering standards for a GenAI RAG agent on AWS, with ingestion orchestrated in Databricks and the vector store in OpenSearch.
    • Ich habe Infrastruktur, API-Design und Engineering-Standards für einen GenAI-RAG-Agenten auf AWS verantwortet, mit Ingestion in Databricks und dem Vector-Store in OpenSearch.
    • As the lead DevOps engineer, I ran a team of six engineers building a platform with CI/CD that gave departments an abstraction over cloud services.
    • Als Lead-DevOps-Engineer habe ich ein sechsköpfiges Team geführt, das eine Plattform mit CI/CD gebaut hat, die den Abteilungen eine Abstraktionsebene über den Cloud-Services geboten hat.
    • As the solutions architect, I designed and built the cloud architecture behind a high-availability web application serving multiple customers, with frontend, backend, and database decoupled.
    • Ich habe als Solutions Architect die Cloud-Architektur hinter einer hochverfügbaren Webanwendung entworfen und umgesetzt, die mehrere Kunden bedient, mit voneinander entkoppelten Schichten für Frontend, Backend und Datenbank.
    • I contributed to an AWS Redshift data warehouse and built the ETL pipelines that fed it and exported cleaned data to Salesforce CRM.
    • Ich habe an einem AWS-Redshift-Data-Warehouse mitgearbeitet und die ETL-Pipelines gebaut, die es gespeist und bereinigte Daten an das Salesforce-CRM übergeben haben.
    • I built a scrap-rate prediction tool for aircraft engines, embedded directly in the maintenance teams’ existing backend.
    • Ich habe ein Prognosetool für die Ausschussquote von Flugzeugtriebwerken gebaut und direkt in das bestehende Backend der Instandhaltung eingebettet.

SkillsKompetenzen

AI & DataKI & Daten

  • Generative AI
  • Agentic AI
  • LLM Application Architecture
  • Multi-Agent System Design
  • RAG
  • OpenSearch
  • Embeddings
  • Vector Databases
  • Prompt Engineering
  • LLM Orchestration
  • LangChain
  • LangGraph
  • Databricks
  • Delta Lake
  • Unity Catalog
  • Spark
  • MLflow
  • Model Context Protocol (MCP)
  • Model Evaluation
  • AWS Bedrock
  • Bedrock AgentCore
  • Azure OpenAI
  • SageMaker

Cloud & PlatformCloud & Plattform

  • AWS
  • Kubernetes
  • Event-Driven Architecture
  • Azure
  • Cloud Architecture
  • Infrastructure as Code
  • Terraform
  • Serverless
  • CI/CD
  • GitHub Actions
  • Azure Pipelines
  • Docker
  • Helm
  • Istio
  • ArgoCD
  • Prometheus / Grafana

Programming LanguagesProgrammiersprachen

  • Python
  • PySpark
  • SQL
  • Bash

CertificationsZertifizierungen

Each card links to the issuer’s verification page.Jede Karte führt zur Verifizierungsseite des Ausstellers.

EducationAusbildung

  1. 2016 – 2019

    MSc · Electrical & Information EngineeringM.Sc. · Elektro- und Informationstechnik

    Technische Universität Berlin

    • Focus on automation technology.
    • Schwerpunkt Automatisierungstechnik.

  2. 2017

    Semester abroad · Machine LearningAuslandssemester · Machine Learning

    Imperial College London

    • Department of Electrical & Electronic Engineering, focus on machine learning.
    • Fachbereich Electrical & Electronic Engineering, Schwerpunkt Machine Learning.

  3. 2012 – 2016

    BSc · Electrical & Information EngineeringB.Sc. · Elektro- und Informationstechnik

    Christian-Albrechts-Universität zu Kiel dual degreeDoppelabschluss

    • Awarded alongside a second BSc in Industrial Engineering (focus on Electrical & Information Engineering).
    • Verliehen zusammen mit einem zweiten B.Sc. in Wirtschaftsingenieurwesen (Schwerpunkt Elektro- und Informationstechnik).

ContactKontakt

The problems I find most interesting are the ones AI systems hit only at scale: inference that costs more than the feature earns, retrieval that degrades as the corpus grows, a prototype that will not survive real traffic, and a multi-tenant platform whose data must never cross from one tenant to another. If that is roughly where you are, write to me. A sentence about the system and the timeline is enough to start, and you will normally hear back within one working day.Am interessantesten finde ich die Probleme, die bei KI-Systemen erst unter Last auftreten: Inferenz, die mehr kostet, als die Funktion einbringt; Retrieval, das mit wachsendem Korpus schlechter wird; ein Prototyp, der echtem Traffic nicht standhält; eine Plattform für viele Mandanten, zwischen denen nichts durchsickern darf. Wenn Sie ungefähr dort stehen, schreiben Sie mir. Ein Satz zum System und zum Zeitrahmen genügt für den Anfang, und Sie hören in der Regel innerhalb eines Werktages von mir.

Enter a full address, for example name@example.comBitte vollständige Adresse angeben, z. B. name@beispiel.de

At least ten charactersMindestens zehn Zeichen

* Required* Pflichtfeld

Your message is sent to my own server and forwarded to my inbox. It is not stored in a database.Ihre Nachricht geht an meinen eigenen Server und wird an mein Postfach weitergeleitet. Sie wird nicht in einer Datenbank gespeichert.