Alan Salomon
Produktionsreife KI- und Datensysteme.Gebaut, um der Realität standzuhalten.
Ich entwickle Systeme, Anwendungen und Lösungen für deutsche und europäische Teams.
Standort Deutschland · Remote · Verfügbar für ausgewählte Projekte mit festem Umfang
Projekte
Alle ansehenSysteme, die sich überprüfen lassen.
Vollständige Anwendungen statt Demos: ein Schema, eine Datenbank, eine API, eine Oberfläche, in der jemand den ganzen Tag arbeitet, und eine Testsuite, die sagt, was das Ganze tatsächlich taugt. Zu jedem Projekt ist dokumentiert, wie es aufgebaut ist, welche Entscheidungen es zusammenhalten, welcher Code sie durchsetzt und welche Fehler trotzdem durchgekommen sind.
Ein Klick in Salesforce, und aus dem Dokument werden Daten
Ein Dienst zur Dokumentenextraktion, der in Salesforce einen Klick entfernt ist und darunter aus einer FastAPI-Anwendung auf Kubernetes besteht. Er erkennt den Dokumenttyp, liest ihn aus, extrahiert gegen ein für diesen Typ geschriebenes Schema, berechnet die abgeleiteten Felder, die das Unternehmen braucht, und schreibt das Ergebnis in den auslösenden Datensatz zurück. Eingang ist, was ankommt, auch Scans und Fotos. Das Modell läuft in der Azure-Umgebung des Kunden.
Eine Zahl dafür, was eine Anzeige tatsächlich wert ist
Salesforce, Google Ads, LinkedIn Ads, Facebook Ads und Website-Aktivität nach Snowflake extrahiert, in dbt über Staging, Marts und eine semantische Schicht transformiert und im Fünfzehn-Minuten-Takt an Tableau ausgeliefert. Gebaut für ein deutsches Finanzdienstleistungsunternehmen für Ärztinnen und Ärzte sowie andere Heilberufe.
Rechnungsextraktion, gebaut um gemessen zu werden
Eine Rechnungsextraktion, die bei einem sauberen PDF funktioniert, kann jeder bauen. Diese wurde für die schwierigere Frage gebaut: wie genau pro Feld, wie konsistent über wiederholte Durchläufe, und wo bricht sie. Ausgeliefert wird sie als funktionierende Prüfanwendung mit dem Messaufbau darunter.
Das AI Museum
Dreiundvierzig Seiten, erzeugt aus drei Datendateien: fünf Epochenräume mit eigenen Wandfarben, eine geführte Tour, View Transitions zwischen Galerie und Exponat, und ein Diagramm, dessen Thema die fünfzehn Modelle sind, die nie eine Parameterzahl veröffentlicht haben. Jede Farbe darin wurde berechnet statt nach Gefühl gewählt.
Zusammenarbeit
Vier Wege, wie es meistens beginnt.
Jeder davon steht bereits auf dieser Seite und wurde zuvor für jemand anderen umgesetzt. Der Link darunter führt zu der Arbeit, aus der er stammt.
KI- und Automatisierungsanalyse
Architektur, Risiken und ein Umsetzungsplan, der Ihnen gehört
Ein kurzes Projekt, an dessen Ende ein Dokument steht und kein System: was gebaut werden sollte, was der Betrieb kosten wird, wo es brechen wird und welche Teile sich gar nicht zu automatisieren lohnen. Sinnvoll, wenn ein Prozess offensichtlich für Automatisierung infrage kommt und noch niemand sagen kann, wie das fertige Ergebnis aussieht.
Umsetzung mit festem Umfang
Ein operativer Prozess, durchgängig umgesetzt
Ein Prozess von dort, wo die Daten entstehen, bis zu der Oberfläche, die jemand benutzt, einschließlich der Teile, die niemand gern übernimmt: die Fehlerpfade, die Wiederholungen, die Stelle, an der ein Mensch das Ergebnis prüft. Fester Umfang, weil ein offenes Vorhaben genau der Weg ist, auf dem solche Projekte teuer werden, ohne fertig zu werden.
Datenplattform
Extraktion, Warehouse, Modellierung und die Dashboards darüber
Der Aufbau eines Reporting-Stacks, oder die Reparatur eines Stacks, dessen Zahlen im Unternehmen niemand glaubt. Quellen in ein Warehouse, Transformation in Schichten, Zugriff nach Rolle vergeben, und ein Aktualisierungstakt, der benannt statt angenommen wird. Der größte Teil des Werts liegt in der Modellierung, und genau die wird üblicherweise übersprungen.
Bereits umgesetzt
fünf Quellen im Fünfzehn-Minuten-Takt, allein in drei Monaten gebautReview von KI im Produktivbetrieb
Ein Messaufbau und ein schriftlicher Zuverlässigkeitsbericht
Für ein System, das in der Demo bereits funktioniert und kurz davor steht, auf echte Nutzer zu treffen. Was es falsch macht, wie oft, und woran Sie es merken würden: ein Aufbau, der es misst, die benannten Fehlerarten, und die Fälle, in denen eine selbstbewusste Antwort eine falsche ist. Das Ergebnis ist eine Zahl, die Sie vertreten können, oder der Grund, warum es sie noch nicht gibt.
Bereits umgesetzt
eine Prüfanwendung und 287 Tests, gebaut um genau diese FrageOder lesen Sie zuerst die Fallstudien. Sie sind zum Prüfen geschrieben, nicht zum Überfliegen.
Salomon Labs
Werkzeuge, die sich verbinden lassen.
Jedes erledigt eine Aufgabe und übergibt sein Ergebnis an das nächste. Veröffentlicht als Apify Actors, aufrufbar über API oder MCP, Abrechnung pro Lauf. Jede Angabe auf diesen Seiten können Sie nachprüfen.
YouTube Creator Finder
Find YouTube creators by niche, filter them by subscriber count and country, and get their profile, links and public contact email - each one validated with a plain-English send recommendation.
Bulk Email Validator
Remove invalid, dead-domain, disposable and role addresses from any email list, and get a 0-100 send-risk score with a plain-English reason for every row.
Website Email & Phone Finder
Give it a company website and get every published email and phone number, each with the page it was found on and a 0-100 send-risk score with a plain-English reason.
YouTube Channel Analyzer
Analyze YouTube channels for sponsorship: expected views from recent uploads, audience language inferred from real comments, upload cadence, engagement, whether they already take brand deals, and an estimated price from your own CPM.
Company Enrichment
Give it a company website and get what that company sells - product categories, brand and product names, whether there is a checkout and on which platform - each fact with the page it came from.
Was womit zusammenarbeitet
- YouTube Creator Finderkannemail addressesübergeben anBulk Email Validator
- YouTube Creator Finderkannwebsite URLsübergeben anWebsite Email & Phone Finder
- YouTube Creator Finderkannwebsite URLsübergeben anCompany Enrichment
Jedes Werkzeug ist eigenständig und keines ruft ein anderes auf. Der Validator nimmt den Datensatz jedes vorherigen Laufs entgegen, sodass sich alles, was Adressen erzeugt, damit verbinden lässt, durch Sie oder durch einen Agenten, ohne Export dazwischen.
Von einem Agenten aufrufbar
Alle laufen als Apify Actors, das heißt, ein MCP-Client erreicht sie über den gehosteten Server von Apify unter mcp.apify.com. Dafür wurde nichts zusätzlich gebaut. Ein Agent findet sie über die Suche oder wird direkt auf sie verwiesen.
Genau an dieser Stelle hört die Verkettung oben auf, theoretisch zu sein: ein Agent, der beide aufrufen kann, findet Creator und prüft ihre Adressen in einer einzigen Anweisung, ohne dass jemand vorher eine Pipeline zusammensetzt.
The AI Museum Experiment
Neun Jahre KI. Ziehen Sie sich hindurch.
Jeder Meilenstein, der zählte, vom Transformer bis heute. Läuft von selbst, oder Sie übernehmen.
Läuft automatisch — oder ziehen Sie selbst →
Früher
Schreiben
Einblicke und Artikel
Über mich
Alan Salomon
Ich bin KI-Entwickler und führe mein eigenes Entwicklungsbüro. Ich baue Systeme, die reale betriebliche Abläufe automatisieren: Dokumentenextraktion, Entscheidungsprozesse, Reporting-Infrastruktur und die Anwendungen, in denen Menschen täglich arbeiten. Manches entsteht für Unternehmen, manches veröffentliche ich unter meinem eigenen Namen. Mich interessiert, ob Dinge im Produktivbetrieb funktionieren, nicht nur in der Demo.
Außerdem schreibe ich. Mich beschäftigt, was KI-Systeme für Menschen bedeuten: wie sie die Art der Arbeit verändern, verschieben, wo Entscheidungen fallen, und umformen, wie Organisationen aussehen. Entwickeln und Schreiben sind für mich dieselbe Untersuchung aus zwei Richtungen.
Ich arbeite an der Schnittstelle zwischen dem Bauen dieser Systeme und dem Verstehen ihrer Folgen. Das meiste davon ist noch offen. Genau das ist der Punkt.
Schreiben Sie mir gern — hello@alansalomon.ai
