Offen für Senior- und Staff-Backend-Rollen · Remote · UTC-6
Senior Backend Engineer für zuverlässige Python-, AWS- und Conversational-AI-Systeme.
Ich bin Adrian Romo. Über 8 Jahre Erfahrung mit skalierbaren Python-APIs, AWS-Lambda-Architekturen und Conversational AI für Enterprise Virtual Support Agents: Amazon-Connect- und Lex-Voice-Flows, NLP-gestützte Automatisierung und Omnichannel-Integrationen für Slack, Microsoft Teams, Google Chat und Webex.
Erfahrung
40-60%
Reduktion des Helpdesk-Anrufvolumens beim Enterprise Virtual Support Agent von Resolve Systems.
Null kritische Vulns
In Enterprise-Integrationen, über 2 Jahre gehalten.
8+ Jahre
Backend Engineering in Enterprise SaaS, Fintech-Tools und Voice-Automation.
Ausgewählte Arbeiten
Engineering Case Studies
Ein paar Systeme, die ich entworfen, ausgeliefert und betrieben habe. Stack, Rolle und Ergebnis; Links öffnen den vollständigen Artikel.
Einkaufswagen-Bridge
Wandelt eine Einkaufsliste aus dem Mahlzeitenplaner in einen überprüfbaren Warenkorb-Vorschlag um – und bleibt dann bewusst stehen
Kurzvideo-Pipeline
GPU-lokale Script-to-Render-Automatisierung, doppelt bereitgestellt: CUDA zu Hause, CPU-only für öffentliche Demo
Homelab Zweitgehirn
Eine kompilierte Memory-Schicht, die Infrastrukturfragen in 2–5K Tokens mit Quellenangaben beantwortet
Texte
Aktuelle technische Texte
Architektur-Notizen, Projekt-Logs und Engineering-Reflexionen.
Einem System beibringen, „Ich weiß es nicht“ zu sagen
Das Nützlichste, was mein Homelab-Gehirn tut, ist zu verweigern, eine Antwort zu geben. Entweder belegt jede Aussage die Tatsache, die sie hervorgebracht hat, oder sie erreicht mich gar nicht erst.
Ein zweites Gehirn, das sich weigert zu raten
Das Beantworten einer operativen Frage kostete ein lokales Modell bisher einen Dump von 30–50K Tokens. Ich habe eine kompilierte Memory-Schicht gebaut, die das in 2–5K erledigt und sich selbst blockiert, wenn sie keine Quelle angeben kann.
Sprachintegrationen auf Basis von asynchronen Chatbots entwickeln
Was passiert, wenn du einen asynchronen Chatbot mit Amazon Connect und Lex kombinierst, und wie kannst du Latenz, Barge-In und den Kontextübergang im Griff behalten?
Technische Expertise
Womit ich arbeite
Tools und Plattformen, die ich nutze, gruppiert nach ihrem Einsatz in der Arbeit.
Backend
- Python
- Django
- Flask
- REST APIs
- Celery
- Object-Oriented Programming
- Pytest
Cloud / AWS
- AWS Lambda
- Multi-region deployments
- S3
- IAM
- Docker
- Kubernetes
- Terraform
- CI/CD pipelines
Voice / IVR
- Amazon Connect
- Amazon Lex
- Amazon Polly
- Speech-to-text / Text-to-speech
- NLP
- Asynchronous IVR flows
Integrationen
- Slack
- Microsoft Teams
- Google Chat
- Webex
- Enterprise application integration
- Authentication / MFA
- Secrets handling
Datenbanken / Infrastruktur
- Postgres
- Redis
- SQL
- Schema design
- Data migration
- Performance optimization
- SonarQube
Profil
Wie ich arbeite
Ich konzentriere mich auf Backend-Systeme, bei denen Zuverlässigkeit, Sicherheit und Wartbarkeit nicht verhandelbar sind: APIs, die Enterprise-Skalierung aushalten, Integrationen, die unter echter Produktionslast bestehen, und Voice-Infrastruktur, die Support-Traffic ohne Kompromisse bewältigt.
Ich schätze klare Architektur, secure-by-default-Patterns, wiederverwendbare Frameworks statt wiederholter Fixes und Code, den künftige Engineers sicher verändern können. Ich arbeite cross-funktional mit Product, QA und UX, leite Code Reviews und liefere in Multi-Region-AWS-Lambda-Umgebungen.
Mehr über michKontakt
Offen für Senior-Backend-Engineering-Rollen.
Wenn du für Python, AWS, Voice oder Backend-Plattformen einstellst, oder über Architektur, Integrationen oder Enterprise-Support-Skalierung sprechen willst, melde dich direkt.
Oder frag meinen KI-Assistenten — er beantwortet Fragen zu meiner Erfahrung, meinen Projekten und meinem Stack, basierend auf den Inhalten dieser Seite.