AI Prompt Evaluator — TELUS Digital
05/2025 - 03/2026
- Evaluated LLM outputs for accuracy, safety, and instruction-following.
- Refined prompts and interaction flows to improve reliability and reduce ambiguity.
Verfügbar für neue Projekte · Europa
Produktionsreife KI-Systeme
Automatisierte Präzision.
Enterprise AI Systems Engineer (RAG, Agents, Automation) Ich entwickle produktive KI-Systeme mit grounded Retrieval, deterministischen Workflows, Guardrails und sicherer Umsetzung für anspruchsvolle B2B-Teams.
Systemstatus
StabilPipeline-ZuverlässigkeitValidation-first
Compliance-AnsatzDatenschutzbewusst
LiefermodellB2B-Produktion
RAG • Agenten • Automatisierung unter realen Vorgaben
Experience
Independent AI Systems Engineer — Self-employed
2024 - Present
- Built production-style AI systems across RAG, document analysis, compliance workflows, and backend automation.
- Focused on deterministic pipelines, privacy-aware processing, and reliable AI-assisted outputs.
Ausgewählte Arbeiten
Applied-AI-Systeme für den produktiven Einsatz: grounded Retrieval, validation-first Orchestrierung, klare Security-Grenzen und wartbare Umsetzung für B2B- und Enterprise-Teams.
Live-Produkt
FileGPT.dev
Architektur
Mandantengetrennte RAG-Orchestrierung
Zuverlässigkeit
Grounded Retrieval, Quellenangaben und Zugriffskontrolle
Business
Vertrauenswürdige interne Wissensantworten
Problem: Wissen lag in vielen Dateien und Kanaelen verteilt, sodass Teams viel Zeit mit Suchen verloren und Quellen oft unklar blieben.
Loesung: FileGPT.dev ist ein privater Document-Q&A-Tresor mit account-scope Zugriff, grounded Retrieval, zitierfaehigen Antworten und kostenbewusster Orchestrierung fuer planbaren Betrieb.
Impact: Teams erhalten schneller belastbare Antworten, ohne Vertrauen zu verlieren: Outputs bleiben pruefbar, quellenbasiert und entlang interner Zugriffsgrenzen abgesichert.
Next.js 15SupabaseRAGVercel AI SDKGeminipgvector
Live-Produkt
TrustRespond.ai
Architektur
Dokument-zu-Excel-RAG-Orchestrierung
Zuverlässigkeit
Validation-first Output und Format-Integritaet
Business
Schnellere, reviewbare Security-Antworten
Problem: Enterprise-Deals scheitern oft an riesigen Vendor-Security-Fragebögen—häufig 200-Zeilen-Excel—während Teams Wochen brauchen, um SOC-2-Berichte und Richtlinien in Tabellen zu mappen, die ihre Formatierung verlieren.
Loesung: TrustRespond.ai laedt Compliance-Dokumente in pgvector, mappt Fragen ueber eine Enterprise-RAG-Pipeline und liefert reviewbare Excel-Outputs bei erhaltener Workbook-Struktur.
Impact: Typische Laeufe dauern rund 12 Sekunden statt Wochen. Teams antworten schneller und behalten dabei Reviewbarkeit und B2B-Vertrauen.
Next.js 15SupabasepgvectorGemini 2.5StripeTailwind CSS
Featured-Projekt
Live-Produkt
ComplianceRadar
Architektur
Guarded URL-Ingestion plus Compliance-Scoring-Pipeline
Zuverlässigkeit
Policy-grounded Reports mit abuse-aware Controls
Business
Schnellere Entscheidungen zu AI Act und DSGVO
Problem: KMU stehen unter wachsendem Druck durch EU KI-Verordnung, DSGVO und ePrivacy, ohne Budget fuer schwere Enterprise-Compliance-Systeme.
Loesung: ComplianceRadar kombiniert guarded URL-Scanning, policy-grounded KI-Analyse und konkrete Reporting-Outputs, damit Teams Risiken aus EU KI-Verordnung, DSGVO und ePrivacy ohne juristischen Overhead priorisieren koennen.
Impact: Produkt- und Leadership-Teams wechseln schneller von Unsicherheit zu priorisierter Umsetzung und halten Releases besser im Compliance-Rahmen.
Next.jsGemini AIPrismaStripeNextAuthVercel
Additional Projects
Additional systems and case studies available on request.
Hausheld
Impact: Teams reduzierten Koordinationsaufwand, stabilisierten die Einsatzqualitaet und erhielten auditfaehige Nachweise fuer regulierte Leistungen.
Fallstudie ansehenLive ansehen(opens in new tab)Admin-Demo(opens in new tab)Repository(opens in new tab)
Next.jsFastAPIPostgreSQLAWSPostGIS
Croatia 360
Impact: Nutzer planen schneller, finden passendere Optionen und kommen friktionsarm von Inspiration zur finalen Reiseentscheidung.
Next.jsi18nGoogle GeminiTailwind CSS
Wie ich Systeme baue
KI-Workflow-Architektur
Ein kompakter Blick auf meinen Aufbau produktionsreifer KI-Systeme: deterministische Ablaufsteuerung rund um LLM-Intelligenz mit integrierter Validierung und Observability.
Nutzereingabe
Anfragen kommen über typisierte Interfaces mit schema-sicherem Parsing und Kontextaufnahme, damit bereits am Einstieg Klarheit entsteht.
Zuverlässigkeitssignale
Nachvollziehbare Schritte und Ergebnisse
Validierung vor Auslieferung
Policy-basierte Orchestrierung
Interaktive Simulation
Interaktiver RAG-Terminal
Testen Sie die RAG-Logik, die meine Systeme antreibt. Wählen Sie unten eine B2B-Anwendung und eine Frage aus, um den Ablauf der Pipeline, die Guardrails und die quellenbasierte Ausgabe live zu erleben.
Orchestrator-Konsole
rag-orchestrator.service: inspector
ONLINE
Wählen Sie ein KI-System und eine vordefinierte Frage aus und klicken Sie auf 'RAG-Pipeline ausführen', um die interaktive Simulation zu starten und den Live-Orchestrator-Log in Echtzeit zu sehen.
Wollen Sie so ein System für Ihr Team?
Ich bin spezialisiert auf KI-gestützte Systeme, DSGVO-konforme Plattformen und produktionsreife Full-Stack-Anwendungen für europäische Unternehmen. Beschreiben Sie Ihr Vorhaben — ich antworte innerhalb von 24 Stunden.
Skills
Backend
PythonNode.jsFastAPISQLAlchemyPostGISAlembicPrismaPostgreSQLPydanticREST APIsJWT
KI & Daten
RAGOpenAI APIGoogle GeminiPineconeVercel AI SDKEmbeddingsVector searchConversation memory
Frontend
Next.jsReactTypeScriptTailwind CSSPWAi18nFramer MotionShadcn/RadixRecharts
DevOps
DockerAWS (eu-central-1)Google CloudVercelCI/CDGit
Der Blueprint
Inspizieren Sie die Codebasis des Portfolios direkt in dieser simulierten VS Code-Umgebung. Klicken Sie im Explorer auf die Dateien, um zu lesen, wie die verschiedenen Systemkomponenten technisch aufgebaut sind.
damir@andrijanic-dev: ~/portfolio-2026
index.ts
// Damir Andrijanic — Portfolio entrypoint
import { RagOrchestrator } from "./rag-orchestrator";
import { XlsxMapper } from "./xlsx-mapper";
export const engineer = {
name: "Damir Andrijanic",
title: "Enterprise AI Systems Engineer",
focus: ["RAG", "Agent Orchestration", "Deterministic Automation"],
regions: ["Germany", "Croatia", "European B2B"]
};
export async function runSimulation() {
console.log("Automatisierte Präzision.");
const orchestrator = new RagOrchestrator();
await orchestrator.execute("Audit GDPR compliance posture");
}
Über mich
Ich baue enterprise-faehige KI-Systeme mit Fokus auf RAG, Agenten-Orchestrierung und Automatisierung unter realen Produktionsbedingungen.
Mein Ansatz ist validation-first: deterministische Regeln und Systemgrenzen dort, wo sie noetig sind, mit LLM-Reasoning als Beschleuniger fuer erklaerbare Ergebnisse. Ziel sind verlaessliche Outputs statt Demo-Effekte.
Ich arbeite an Systemen, bei denen Retrieval-Qualitaet, Quellenangaben, Abuse-Controls, Rate Limits, Datenschutz und Wartbarkeit genauso wichtig sind wie die Modellwahl.
Der Schwerpunkt liegt auf der Schnittstelle aus Backend-Architektur, Datenpipelines und Applied-AI-Produktentwicklung fuer B2B- und Enterprise-Use-Cases.
Ich bin ueber einen nicht-traditionellen Weg in die Tech-Welt gekommen. Das praegt meinen Engineering-Ansatz: erst den realen Workflow verstehen, dann Software bauen, die in Produktion wirklich traegt.
Kontakt
Sie suchen einen AI Systems Engineer bzw. Applied-AI-Engineer oder brauchen Unterstuetzung bei einem produktiven KI-Workflow? Ich arbeite mit Recruitern, Hiring Managern, Gruendern und Tech-Leads und antworte meist innerhalb von 24 Stunden.