Werdegang

Eine wachsende Welle von Regelwerken, EU DSA, EU TCOR, UK OSA, NY S895, CA AB 587, Brasiliens ECA, Indiens IT Rules und weitere, verlangt jeweils eine granulare, konsistent lokalisierte Transparenzberichterstattung. Der bisherige Ansatz von Roblox war manuell und ließ sich mit der weiter wachsenden Regulierungslandschaft nur schwer skalieren.

• Ich leite Strategie und Produktion der Transparenzberichterstattung für über 8 internationale Regelwerke.
• Ich habe eine Sammlung modularer, produktionsreifer SQL-Abfragen mit Versionskontrolle geschrieben, für wiederholbare, prüfbare Berichtszyklen.
• Ich konzipiere ein Product Compliance Unified Data Model und eine automatisierte Berichts-Pipeline, um das System vor externen Audits zu skalieren und zukunftssicher zu machen.
• Ich treibe KI-Enablement-Initiativen voran, um die Produktivität des Teams zu steigern und manuellen Aufwand zu reduzieren.

Forschende, die Online-Plattformen untersuchen, Akademiker, zivilgesellschaftliche Organisationen und Plattform-Sicherheitsanalysten, hatten keinen offiziellen, programmatischen Weg, auf die öffentlichen Daten von Roblox zuzugreifen. Ohne strukturierten Zugang stützte sich externe Forschung auf manuelle Erhebung oder inoffizielles Scraping, was Qualität und Umfang der unabhängigen Prüfung einschränkte, die Roblox bei Content-Moderation, Plattformsicherheit und Durchsetzung von Richtlinien erhalten konnte. Zugleich hatte Roblox keinen Mechanismus, um die Forschungsgemeinschaft proaktiv zu unterstützen, die politische Entscheidungsträger und das öffentliche Verständnis großer Plattformen prägt.

• Identifizierung der Chance, Roblox' allererste öffentliche Research Data API zu schaffen, eine Funktion, die es im Unternehmen nie gab und die auch bei großen Gaming-Plattformen keine Standardpraxis ist.
• Leitung der End-to-End-Produktstrategie: Festlegung, welche öffentlichen Daten bereitgestellt werden, Konzeption des API-Schemas und der Endpoint-Architektur sowie Definition von Data Governance, Zugriffskontrollen für Forschende, Rate Limiting, Authentifizierung und Nutzungsbedingungen.
• Vorantreiben der bereichsübergreifenden Abstimmung über Engineering, Legal, Policy und Privacy, um ein rechtskonformes, nachhaltiges und skalierbares Zugangsmodell zu entwerfen.
• Positionierung der API als strukturierte Ergänzung zur bestehenden Transparenzberichterstattung von Roblox, Erweiterung der öffentlichen Rechenschaftspflicht des Unternehmens über periodische Berichte hinaus zu abfragbarem, bedarfsgerechtem Datenzugriff.

Produktionsreifes SQL und Python für über 10 regulatorische Compliance-Anforderungen, Berichte, RFIs, Risikobewertungen und Prozessunterstützung, zu bauen, würde normalerweise 3–6 Engineering-Wochen reiner Programmierarbeit pro Zyklus erfordern. Mit einem sich schnell erweiternden Regulierungsportfolio und einem schlanken Team war dieses Tempo nicht machbar.

• Ich war als PM und Erstautor in einem Human-in-the-Loop-KI-Coding-Workflow tätig und habe mit Cursor-Agenten produktionsreifes SQL und Python generiert.
• Generierung von über 7.000 Zeilen Produktionscode über mehr als 10 regulatorische Anforderungen hinweg, wobei Data Engineers und Data Scientists als Code-Reviewer statt als primäre Programmierer fungierten.
• Konzeption einer strukturierten Entwicklungspipeline: Abfrage- und Schemakontext → KI-generiertes SQL → menschliches Code-Review und Freigabe → iterative Verfeinerung → vollständige Python-Pipelines.
• Verkürzung der Feedback-Schleife zwischen PM und Engineering, was schnellere Iteration ermöglichte und den Engpass der bereichsübergreifenden Terminplanung reduzierte.

Die Privacy Sandbox Working Group (über 900 Engineers, PMs und Compliance-Mitarbeitende) ertrank in über 12.000 Dokumenten, die auf zugriffsbeschränkte Repositories verteilt waren. Die langsame Informationsbeschaffung bremste Entwicklung, regulatorische Compliance und Strategie. Wegen der Sensibilität des Korpus kamen allgemeine Suchwerkzeuge nicht infrage.

• Alleiniger Autor der v1- und v2-Design-Dokumente; treibende Kraft von der Konzeption bis zum funktionierenden Prototyp.
• Konsultation von Stakeholdern in der gesamten Organisation, um Pain Points zu diagnostizieren, und anschließende Konzeption des vollständigen End-to-End-Systems: Web-Frontend, Backend auf Agent Studio, Gemini 2.5 Pro als LLM und eine Vektordatenbank, indexiert mit über 12.000 zugriffsbeschränkten Dokumenten.
• Umsetzung zweier Betriebsmodi: (1) Experten-Q&A mit RAG und Quellenangabe, verankert im Korpus; und (2) ein spezialisierter Entwurfsmodus, um Erstentwürfe von D&I-Kriterienbewertungen, einem häufig vorkommenden Compliance-Workflow, direkt aus vom Nutzer gelieferten Änderungsbeschreibungen zu erzeugen.
• Verfassen des System-Prompts, Definition technischer Anforderungen, Zugriffskontrollen und Risikominderungen, darunter Halluzinationsschutz und obligatorische menschliche Prüfung.
• Vorstellung des Projekts beim Privacy Sandbox TPgM AI Hackathon; erhielt einen Spot Bonus von einem Senior Director für das „Erschließen potenzieller Wirkung in Bezug auf Zeitersparnis und Qualität regulatorischer Antworten“.

Das Privacy-Sandbox-Legal-Team verbrachte jede Woche mehrere Stunden damit, Bug-Reports und verlinkte Dokumente manuell zu sichten, um eine Zusammenfassung für die Rechtsprüfung vorzubereiten. Der Prozess war langsam, inkonsistent und bildete einen Engpass für die Compliance-Aufsicht der gesamten Privacy-Sandbox-Initiative.

• Alleiniger Autor und Entwickler der End-to-End-Automatisierungslösung.
• Direkte Zusammenarbeit mit dem Legal-Team, um dessen Workflow, Entscheidungskriterien und die Definition von „gut“ für jedes Sub-Team zu verstehen.
• Konzeption einer dreistufigen Pipeline: SQL (F1) zur Extraktion relevanter Bug-Daten → Python (Colab) zur Orchestrierung → Gemini LLM via TextMiner zur Verarbeitung.
• Entwicklung einer Reihe mehrstufiger Prompts für komplexe kognitive Aufgaben: Zusammenfassen verlinkter Dokumente, Identifizieren zentraler Risiken gegenüber bestimmten regulatorischen CMA-Verpflichtungen und Klassifizieren des erforderlichen Prüfungstyps („Review Required“ vs. „FYI Only“) für drei Legal-Sub-Teams, Product, Competition und Privacy.

Vierteljährliche Monitoring-Trustee-(MT-)Compliance-Berichte, eine verpflichtende Lieferung im Rahmen von Googles rechtlichen Verpflichtungen gegenüber der britischen Competition and Markets Authority (CMA), wurden manuell erstellt. Der Prozess dauerte über 60–80 Personenstunden pro Quartal, war hochriskant, fehleranfällig, undokumentiert und von 5–6 einzelnen Single Points of Failure abhängig. Es gab keine Auditierbarkeit und keine tägliche Sichtbarkeit der Schlüsselkennzahlen.

• Alleiniger Autor und Umsetzer. Drei SWEs, die das Projekt ursprünglich abgesteckt hatten, glaubten, nur ein Software-Engineer könne es bauen, und zweifelten daran, dass ein TPM es überhaupt versuchen würde.
• Konzeption der End-to-End-Systemarchitektur: eine ETL-Pipeline, die aus mehreren internen Datenquellen zieht (Teamgraph, rohe Systemlogs, Nicht-Standard-Importe), mit komplexer Datenverarbeitung, LLM-Anreicherung und automatisierter Berichtserstellung.
• Aufbau eines PLX-Workflows, der eine Reihe von SQL-Skripten ausführt, um Daten über drei Working Groups (PSWG, NWG, AWG) hinweg zu extrahieren, zu verarbeiten und anzureichern, mit dynamischer Berechnung des Berichtszeitraums und Export nach Google Sheets.
• Einführung von Versionskontrolle und modularem Abfragedesign für Wartbarkeit, Auditierbarkeit und die Beseitigung von Single Points of Failure.
• Fertigstellung vor dem Zeitplan, über wichtige internationale Feiertage hinweg.

Eine erhebliche Compliance-Lücke: Mitarbeitende in der über 500 Personen umfassenden Privacy-Sandbox-Organisation waren nicht Mitglieder der verpflichtenden Privacy Sandbox Working Group (PSWG), einer grundlegenden Anforderung aus Googles CMA-Verpflichtungen. Es gab keinen automatisierten Mechanismus, um nicht-konforme Personen zu identifizieren, zu benachrichtigen oder nachzuverfolgen.

• Proaktive Identifizierung der Compliance-Lücke, vollständig aus eigener Initiative; nicht zugewiesen.
• Konzeption eines automatisierten Erkennungssystems mit SQL, das die Berichtsketten der Mitarbeitenden mit den PSWG-Gruppenmitgliedschaftsdaten abgleicht.
• Aufbau eines AppsScript-Benachrichtigungssystems, das nicht-konforme Personen und ihre Manager automatisch per E-Mail informiert, mit Nachverfolgung bis zum Abschluss.

Das Team für Legal Content Policy & Standards musste den Kern tausender eingehender rechtlicher Löschanfragen schnell erfassen, für Fallverwaltung und Trendanalyse. Eine manuelle Prüfung in diesem Umfang war nicht machbar. Die automatische Fallzusammenfassung war die am meisten gewünschte Funktion für ihr zentrales Management-Dashboard, doch es existierte keine skalierbare Lösung.

• Autor des Design-Dokuments und der Bedienungsanleitung sowie leitender Umsetzer des vollständigen automatisierten Workflows.
• Direkte Abstimmung mit dem LCPS-Team, um die Anforderungen zu definieren und die Feinheiten zu verstehen, wie Fallzusammenfassungen im Betrieb genutzt würden.
• Konzeption einer SQLMiner-Pipeline, die LLM-Bulk-Inference direkt in der Datenbank ausführt. Sensible Falldaten bleiben aus Zwischensystemen heraus und die Pipeline verarbeitet Fälle im Produktionsmaßstab.
• Entwicklung eines Prompts nach dem RAG-Muster, der strukturierte Daten aus den Falltabellen in das LLM einspeist und über jeden geeigneten Fall knappe, korrekte, einheitlich formatierte Zusammenfassungen erzeugt.
• Einbindung der KI-generierten Zusammenfassungen direkt in das zentrale PLX-Management-Dashboard des Teams als On-Demand-Funktion.

Das Legal-Operations-Team bearbeitete rechtliche Löschanfragen manuell, ein Workflow, der eine Fall-für-Fall-Prüfung über mehrere interne Werkzeuge hinweg erforderte. Ein Rückstau von über 8.400 Fällen hatte sich angesammelt, und das laufende Volumen (Zehntausende von Fällen) machte eine manuelle Bearbeitung bei gleichbleibender Personalstärke unmöglich.

• Aufbau eines node.js-Proof-of-Concept-Automatisierungsskripts, um den akuten Rückstau von über 8.400 Fällen zu bearbeiten und zu beweisen, dass der Ansatz funktioniert, bevor in eine vollständige Lösung investiert wurde.
• Leitung der Entwicklung einer produktiven Chrome-Erweiterung, die per Browser-Automatisierung rechtliche Löschanfragen in großem Maßstab bearbeitet, und den zuvor manuellen Multi-Tool-Workflow automatisiert.
• Zusammenarbeit mit Engineering, um den Ansatz vom Proof-of-Concept zu produktionsreifem Tooling weiterzuentwickeln.
• Von Senior PMs sowohl für die Liefergeschwindigkeit als auch für die Wirkung auf die Teamkapazität gelobt.