Code Assessment

Transformation gewachsener Data-Science-Workloads in eine containerisierte, überwachte Betriebsumgebung.

Code-Assessment-Illustration auf einem Klemmbrett
Azure-Architektur auf einer Staffelei

/ Kunde

Primeo Energie

/ Ausgangslage

Gewachsene Workloads, personenabhängiges Wissen

Die Data-Science- und Energiewirtschafts-Workloads von Primeo Energie – interaktive Python-Werkzeuge für Preis-, Prognose- und Reportingdaten sowie zeitgesteuerte Datenverarbeitungen – waren über Jahre gewachsen: personenabhängiges, kaum dokumentiertes Wissen, Codekopien und enge Kopplung, Orchestrierung über Crontab und von Hand gestartete Instanzen, keine CI/CD-Pipelines und kaum Tests.

/ Was wir geliefert haben

Vom Skript-Zoo zur containerisierten Betriebsumgebung

Wir planten und realisierten die Überführung in eine strukturierte Entwicklungs- und Betriebsumgebung – entlang einer Roadmap mit sieben Phasen, ohne Betriebsunterbruch und ohne Big Bang.

  • —Zielarchitektur in Ausbaustufen mit Phasenplan, Risiko- und Kostenbetrachtung
  • —Containerisierung der Workloads und Betrieb auf Kubernetes
  • —Git-basierter Lieferprozess: GitLab-CI/CD-Pipelines, automatisierte Tests, GitOps-Deployment mit Argo CD
  • —Infrastructure as Code mit Terraform; strikt getrennte Entwicklungs-, Test- und Produktionsumgebung
  • —Observability zuerst: zentrale Logs, Metriken und Alerting; Data-Quality- und Data-Freshness-Framework für kritische Datenlieferungen
  • —Zentrale Authentifizierung über OAuth2 Proxy und OIDC
  • —arc42-Dokumentation, Prozessrichtlinien, Onboarding- und Schulungsunterlagen

/ Vorgehen

Shadow Mode und gestaffelte Umschaltung

Jede Veränderung war vor der Umschaltung validiert und danach umkehrbar: Alt- und Neusystem verarbeiteten dieselben Eingangsdaten parallel, die Ausgaben wurden automatisiert verglichen und mit dem Fachbereich validiert. Umgeschaltet wurde pro Workload – mit Rückfallebene und bereitliegendem Rollback-Plan. Wegwerf- Testumgebungen und Pilot-Workloads mit tiefem Geschäftsrisiko hielten das Risiko von Fehlinvestitionen klein.

/ Ergebnis

Nachvollziehbar gebaut, aktiv überwacht

Die Workloads laufen als dauerhaft betriebene Container statt als individuell gestartete Instanzen. Build, Release und Betrieb sind über Pipeline und Registry getrennt, verteilte Codekopien durch eine Codebasis pro Tool ersetzt. Logs und Metriken werden zentral gesammelt, kritische Datenlieferungen aktiv überwacht – und interne Entwicklerinnen und Entwickler arbeiteten von Beginn an mit, damit das Wissen im Team bleibt.

/ Tech Stack

DockerKubernetes (AKS)GitLab CIArgo CDTerraformPythonGrafanaLokiOAuth2 / OIDCInfluxDBMSSQL

Wir bauen nicht nur AI. Wir sorgen dafür, dass sie langfristig euch gehört – technisch und wirtschaftlich.

Projektanfrage schicken