Zum Inhalt

Alain Lorenz — CTO & Mitgründer · KI & MLOps · Genf ↔ Lyon

Full Stack, ganz wörtlich:vom Smartphone bis zur GPU.

Ich baue komplette Produkte und betreibe ihre KI-Modelle in Produktion — von den Rohdaten bis zur GPU-Inferenz. Mitgründer und CTO von JobyPepper und Ozly.

Der CTO, der noch committet.

Als Mitgründer und CTO habe ich Teams von bis zu zehn Personen geleitet, ohne die Tastatur loszulassen: Ich bin immer noch der größte Contributor der API, die ich 2016 gestartet habe. Seit 2023 ist KI in Produktion mein Hauptterrain — Modelle trainieren, deployen, bereitstellen und optimieren, die echten Nutzern antworten. Meine Lieblingsthemen: LLMs, RAG und Fine-Tuning. Und der Papierkram, der die Firma am Laufen hält — DSGVO, DAC7, Steuern, Innovationssteuergutschrift — läuft auch über mich. Alles zwischen Genf und Lyon.

Ja, ein CTO, der committet. Die Spezies ist nicht ausgestorben.

Jahre am selben Produkt
10
Commits unter meinem Namen
10.600
Git-Repositories
36
GPU-Kosten nach Optimierung
÷4

Projekte

Technischer Mitgründer · CTO · seit 2016

JobyPepper

Die Plattform, die Unternehmen und Freelancer für Einsätze zusammenbringt.

  • Web, Mobile, API und Infrastruktur: das gesamte Produkt-Ökosystem.
  • Zwei Mobile Apps in den iOS- und Android-Stores veröffentlicht, vom Build bis zum Store-Eintrag: Versionen, Einreichung, Compliance-Anpassungen, Texte.
  • Zahlungs-Dispatching statt bloß eines „Bezahlen“-Buttons: Der Kunde zahlt einmal, die Plattform erstellt die Rechnung jedes Freelancers, verteilt die Mittel und löst jede Auszahlung aus. Automatisch.
  • KI-Agent für Kandidaten-Sourcing und -Matching, angebunden über MCP.
www.jobypepper.com (öffnet in neuem Tab)

Technischer Mitgründer · CTO · 2023 · pausiert

Ozly

KI für die Jobsuche.

  • Komplette Pipeline: Ingestion aus mehreren Quellen, CamemBERT-Klassifizierung, Vektorindex.
  • Semantische Suche und konversationelles RAG, in einem einbettbaren Widget.
  • Optimierte GPU-Inferenz: Kosten durch vier geteilt.
hello.ozly.ai (öffnet in neuem Tab)

Nebenbei

Persönliches Projekt · 2026

Origin AI

Videos echter Arbeitsplätze, verwandelt in Trainingsdaten für die Robotik.

  • Fragmentierter Video-Upload, ffmpeg-Verarbeitung, Tagging per LLM.
  • Automatisches Verpixeln von Gesichtern auf GPU, Pipeline zur Datensatzerstellung.

Side Project · 2026

EV Comparator

Ab wie vielen Kilometern wird das Elektroauto günstiger?

  • Tägliche Open-Data-Ingestion, Kostenmodell pro Kilometer.
  • Wiederverkaufswert als Schätzung ausgewiesen, nie als Wahrheit.

Der Weg einer Anfrage

Jede Schicht, die sie durchquert, habe ich gebaut. Die Hälfte des Weges liegt auf der KI-Seite.

  1. Der Bildschirm

    app.tap("Suchen")

    Mobile Apps mit React Native / Expo, darunter eine komplette Business-App, bis in die Stores gebracht: iOS- und Android-Builds, Einreichung, Store-Texte. React-Weboberflächen für Admins, Kunden und Freelancer.

    Alles beginnt in einer Hosentasche.

  2. Die API

    POST /search

    Node.js / Express, Geschäftsprozesse und eine Engine für Zahlungs-Dispatching: Eine einzige Kundenzahlung wird automatisch zu den Rechnungen jedes Freelancers, den Geldtransfers und den Auszahlungen.

    Hier fließt das Geld. Kein Druck.

  3. Die Queue

    rabbitmq.publish(search)

    RabbitMQ zwischen API, Workern, Scheduler und Echtzeitdiensten. Jeder Dienst macht eine Sache, asynchron.

    Alles kommt irgendwann durch. In der richtigen Reihenfolge.

  4. Das Modell

    camembert.classify → llm.answerKI

    Feinabgestimmte CamemBERT-Klassifikatoren, Sourcing- und Matching-Agenten, MCP-Server, die LLMs an echte Geschäftsdaten anbinden.

    Der Teil, über den alle reden.

  5. Die GPU

    triton.infer(gpu:0)KI

    Inferenz über Triton auf GPU, CUDA-Container.

    Der Teil, der teuer wird, wenn niemand hinschaut.

Ein Modell im Notebook ist ein Versprechen. In Produktion ist es ein Dienst.

MLOps ist alles dazwischen. Ich decke den gesamten Zyklus ab.

  1. 01

    Sammeln

    Geplante Pipelines, die Daten aus mehreren Quellen zusammenführen, bereinigen und deduplizieren.

  2. 02

    Trainieren

    Aufbau von Datensätzen, Fine-Tuning von Klassifikatoren nach Branche und Vertragsart.

  3. 03

    Verpacken

    Versionierte Modelle, CUDA-Docker-Images, veröffentlicht in einer Container-Registry.

  4. 04

    Bereitstellen

    GPU-Inferenz, Embedding-Dienst auf Kubernetes, Vektorsuche.

  5. 05

    Betreiben

    CI/CD, Observability auf allen Diensten, laufende Optimierung: Embeddings auf 512 Dimensionen reduziert, ein Speicherleck aufgespürt und behoben.

Schritt 5 endet nie. Das ist normal.

Wie ich arbeite

Projekte, durchgängig mit KI gesteuert — und an jedem Checkpoint ein Mensch.

Pipeline eines Projekts, von der Idee bis zur Produktionin Produktion
  1. notionDas Projekt wird in Notion + Figma angelegt.Mensch
  2. reviewEin Mensch prüft es und gibt es frei.Mensch
  3. buildLLMs setzen es um, angebunden an den Code und seinen Kontext.KI
  4. verifyIch prüfe, teste und korrigiere.Mensch
  5. deployAb in die Produktion: Docker-Images, Kubernetes-Deployment.CI/CD
  6. monitorFehler landen in Sentry, lesbar für die Agenten.Agenten + Mensch

Meine eigentliche Spezialität ist das, was nach dem Release passiert: überwachen, diagnostizieren, stabilisieren — in Rekordzeit.

Die Agenten lesen Sentry vor meinem ersten Kaffee. Der Fix geht oft raus, bevor er kalt ist.

Vom Bedarf aus denken

  • Vor der ersten Codezeile: das Geschäft verstehen – wer das Tool nutzt, wofür und unter welchen Einschränkungen.
  • Daraus die Nutzerwege ableiten, dann die UX/UI. Die Oberfläche folgt dem Bedarf, nicht umgekehrt.
  • Ein eigenes Designsystem, damit das ganze Produkt eine Sprache spricht.

Führen

  • Technische Leitung eines Teams von bis zu zehn Personen.
  • Architekturentscheidungen, Lieferplanung, Abwägungen zwischen Produkt und Technik.
  • Erstellung von Anträgen zur Innovationsförderung.
  • Aus einem operativen Bedarf ein Werkzeug machen, aus einem KI-Experiment einen laufenden Dienst.

Mit KI arbeiten, nicht daneben

  • Coding-Agenten im Arbeitsalltag, mit versionierten Anweisungen in jedem Repository.
  • MCP-Server für drei Produkte, um LLMs an Geschäftsdaten anzubinden.
  • Produktionsfehler sind für die Agenten lesbar: Diagnose und Fix-Vorschlag direkt im Anschluss.

Das Unternehmen am Laufen halten

  • DSGVO-Konformität und die dazugehörigen Meldungen.
  • DAC7-Exporte und -Meldungen, die Steuermeldepflicht für Plattformen der Sharing Economy.
  • Unternehmenssteuern und Meldepflichten.
  • Begleitung der Projekte, die für die französische Innovationssteuergutschrift (CII) in Frage kommen.

Diese Seite wurde mit zwei KIs entworfen. Ich habe das Briefing geschrieben, ihre Meinungsverschiedenheiten geschlichtet und jeden Satz gegengelesen. Das nennt man Management.

Abseits der Piste.

Ich bin nicht nur ein Geek. Vor allem bin ich jemand, der Spaß hat — auf dem Wasser, im Schnee, auf dem Court, am Herd, hinter der Kamera oder vor dem Bildschirm.

  • Gleiten

    • Ski
    • Wakeboard
    • Surfen

    Gleiche Regel wie in Produktion: Solange es sich bewegt, hält es.

  • Schlägersport

    • Alles, was man mit einem Schläger spielt

    Eine Anfrage, eine Antwort. Nur etwas atemloser.

  • Kreativ

    • Kochen
    • Fotografie

    Ein Rezept ist eine Pipeline, deren Output man isst. Ein Foto ist ein Render, den man nicht neu starten kann.

  • Popkultur

    • Videospiele
    • Kino
    • Und alles andere

    Ja, ich schaue mir die Zwischensequenzen an.

Werdegang

  1. 2008

    Master in Kommunikation

  2. 2008

    Freelance — Entwicklung mobiler Apps und DevOps

  3. 2016

    JobyPepper — technischer Mitgründer, CTO

  4. 2023

    Ozly — technischer Mitgründer, CTO · pausiert

  5. 2026

    Origin AI — persönliches Projekt

Kompetenzen

KI & MLOps
  • LLMs
  • RAG
  • Embeddings und Vektorsuche
  • Fine-Tuning (CamemBERT)
  • Triton Inference Server
  • CUDA
  • MCP-Server
  • LangChain
Deployment
  • Docker (CUDA-Images, Compose mit GPU)
  • Kubernetes
  • CI/CD (CircleCI)
  • Nginx
  • Sentry
Backend
  • Node.js / Express
  • Python
  • RabbitMQ
  • MongoDB
  • Redis
  • WebSocket
Frontend & Mobile
  • React
  • React Native / Expo
  • Veröffentlichung für iOS und Android
Management
  • Technische Leitung (bis zu 10 Personen)
  • DSGVO
  • DAC7
  • Steuern
  • CII

Fließend gesprochene Sprachen — Französisch · Deutsch · Englisch

Diese Seite ist eine Antwort.

Diesen Text habe ich nicht selbst geschrieben. Ich habe zwei KIs gefragt, die mich seit Jahren kennen – und jeder Satz wurde mit dem einzigen Archiv abgeglichen, das nicht lügt: meinen privaten Git-Repositories.

Der ursprüngliche Promptalain → claude, chatgpt

Wir reden seit Jahren miteinander. Schreib mir auf Basis unserer Gespräche und meiner Git-Repos den Inhalt für eine Landingpage, die zeigt, was ich kann.

Antwort: alles hier oben.

  1. 01

    Das Gedächtnis

    Jahrelange Gespräche mit Claude und ChatGPT: was ich baue, wie ich arbeite, was mir Spaß macht. Eigene Angaben.

  2. 02

    Der Beweis

    Meine privaten Git-Repositories: Code, Commits, Konfiguration. Eine Behauptung ohne Spur im Code wird nicht veröffentlicht.

  3. 03

    Der Schiedsrichter

    Ich: das Briefing, die Entscheidungen, das Korrekturlesen. Die KIs schlagen vor, ich entscheide.

Ja, eine KI hat „der CTO, der noch committet“ geschrieben. Sie hatte die Commits gezählt.

#contact

Ein Projekt, eine Stelle, eine Frage zu RabbitMQ?

Am schnellsten geht es über Instagram.

Ich hasse LinkedIn.

Für HR und ihre Roboter:

Zu Hause zwischen Genf und Lyon.