pytest Experten in Berlin
aus über 15.000 Lebensläufen mit der Kraft von KIStelle Experten ein, die klare Test-Suiten schreiben, zuverlässige Fixtures und Mocks bauen und CI-Testläufe mit pytest, pytest-cov und parametrisierten Tests verbessern. Erhalte schnelles, präzises Matching mit geprüften, verfügbaren Freelancern.
Lerne FRATCH Experten in Berlin kennen, die kürzlich pytest eingesetzt haben
Victor Omojoye
Letzte Position:
AI Training Engineer bei Confidential AI Research Client
- Codebase-Bewertung & Problemdesign: Komplexe Software-Engineering-Probleme gegen große Open-Source-Python-Codebasen (einschließlich pandas) entworfen und unter Last getestet, was tiefes Kontextverständnis und architektonisches Wissen erforderte, um sauber abgegrenzte, realistische Problemstellungen zu erstellen, die strengen Korrektheitsvorgaben entsprechen.
- Analyse von Agentenfehlern: Lösungen von LLM-Coding-Agenten auf Korrektheit und Vollständigkeit geprüft und dabei aussagekräftige Fehler in der Behandlung von Edge Cases, im dtype-Verhalten und in der Logik zur NaN-Weitergabe über mehrere Spalten hinweg identifiziert; Ergebnisse präzise für die weitere Auswertung dokumentiert.
- Programmgesteuerte Test-Suite-Entwicklung: Umfassende pytest-Suites erstellt, um Agenten-generierte Lösungen programmgesteuert gegen definierte Anforderungen zu prüfen, mit gezielter Abdeckung von Randbedingungen und Fehlermodi, die naive Implementierungen nicht erfassen.
- Containerisierte Umgebungs-Entwicklung: Docker-Umgebungen für reproduzierbare Agentenausführung gebaut und debuggt, einschließlich git-basierter Repository-Bereitstellung, Dependency-Pinning mit npm ci und Erstellung von Multi-Stage-Dockerfiles für Linux-basierte Container.
Mario Jelinski
Letzte Position:
Architekt / Entwickler bei handyhase
- Überarbeitung des gesamten Designs und der Implementierung neuer UI/UX-Aspekte mit React
- Planung der Softwarearchitektur und Strukturierung des Projekts für langfristige Skalierbarkeit mit Git für die Versionsverwaltung
Vili Dhamo
Letzte Position:
Technical Lead, Data Engineer bei Mercedes-Benz Consulting
- Optimierung der Datenarchitektur (Medallion) für eine bessere Entkopplung der Verarbeitungsschritte sowie höhere Transparenz und Reproduzierbarkeit
- Technische Qualitätssicherung der Datenverarbeitung in Databricks durch Einführung von Schema Enforcement, Datenqualitätschecks und strukturierter Datenarchitektur
- Pipeline-Orchestrierung mit Azure Data Factory
- Professionalisierung und Automatisierung des Entwicklungs- und Deploymentprozesses durch Integration von Git und GitHub Actions
- Fachliche Führung des Data Engineering Teams (3 Mitarbeitende)
- Leitung von Workshops zur Optimierung und Stabilisierung der Datenplattform und des Entwicklungsprozesses
- Aufnahme und Priorisierung neuer Anfragen, Pflege des Produktbacklogs
- Technologien: Microsoft Azure (Data Lake, Data Factory), Databricks, Apache Spark (PySpark), Python, SQL, Git, Confluence, Power BI, Power Apps, Dataverse, MS SharePoint, Mural
Tobias Jaeuthe
Letzte Position:
Konzeption eines AI-Agenten basierten ERP-Systems
- Konzeption eines LLM-basierten Agentensystems zur Steuerung der ERP-Software
- Entwicklung von Agenten-Workflows mit LangGraph und PydanticAI
- Planung der Schnittstellen zwischen Geschäftslogik und Sprachmodellen
- Planung der Agentenorchestrierung
- Prototypenentwicklung- und Demonstration
Werkzeuge: Python, Pydantic, React, LangChain, LangGraph, Linux
Anuja Chandran
Letzte Position:
Embedded-Software-Ingenieur bei Digital Core Technology
- Entworfen und implementiert Embedded-Firmware in C/C++ für ARM-basierte Mikrocontroller und SoCs (STM32, NXP, Infineon)
- Arbeitete in Bare-Metal-, FreeRTOS- und Embedded-Linux-Umgebungen, trug zur BSP-Funktionalität, Treiber-Bring-up und Systemintegration bei
- Eingesetzt, konfiguriert und validiert Embedded-Linux-Systeme mit Yocto, einschließlich Image-Erstellung, Boot-Validierung und Laufzeit-Debugging
- Entwickelte und führte Unit-, Integrations- und Systemtests durch, einschließlich HIL- und SIL-Test-Szenarien auf realer Hardware und in simulierten Umgebungen
- Erstellte Python- und Bash-Skripte zur Automatisierung von Build, Testausführung, Simulationen und Reporting in CI/CD-Pipelines (Jenkins, GitLab CI)
- Entwarf Testfälle basierend auf Software- und Systemanforderungen und deckte Normalbetrieb, Grenzfälle und Fehlerszenarien ab
- Führte Low-Level-Debugging mit JTAG/GDB durch, analysierte Boot-Probleme, Timing-Probleme, Interrupts und Peripherieverhalten
- Entwickelte und validierte Kommunikationsschnittstellen wie UART, SPI, I2C, CAN mit Logs und externen Messwerkzeugen
- Nutze Simulationen und virtuelle Testumgebungen zur Validierung des Softwareverhaltens vor Hardwareverfügbarkeit
- Las und interpretierte Hardware-Schemata, um Signalpfade, Pin-Multiplexing und Peripherie-Verbindungen zu verstehen
- Unterstützte PCB-Design und Review-Aktivitäten mit dem Altium-Tool, half bei Bauteilauswahl, Pin-Mapping und Bring-up-Bereitschaft
- Zusammenarbeit mit funktionsübergreifenden Hardware-, Firmware- und Systemteams zur Klärung von Anforderungen, Dokumentation von Annahmen und Verbesserung der Testabdeckung
- Entwickelte Weboberflächen mit HTML, CSS und JavaScript (ES6) sowie grundlegende REST-API-Entwicklung mit Node.js
- Erfahrung im Testen von Webanwendungen und Aufbau von UI-Automatisierungs-Frameworks mit Selenium WebDriver
Fares Kallel
Letzte Position:
Wissenschaftlicher Mitarbeiter – KI & Computer Vision bei Iris-Sensing GmbH
- Entwicklung und Implementierung einer Echtzeit-Wahrnehmungspipeline mit YOLOv7 auf Time-of-Flight-(ToF)-Sensordaten, die Live-Streaming, Inferenz und On-Frame-Visualisierung zur Passagiererkennung ermöglicht.
- Feintuning und Bewertung mehrerer State-of-the-Art-Monokular-Tiefenschätzmodelle für die automatische Passagierzählung (APC) sowie Entwicklung eines hybriden Tiefenmodells, das die Tiefengenauigkeit in anspruchsvollen Szenenbereichen verbesserte.
- Nachgewiesen, dass modellbasierte Tiefenkarten die Rohsensortiefe für APC-Aufgaben in mehreren Datensätzen übertreffen und so zu messbaren Verringerungen der Zählfehler beitragen.
Maurizio Fleischer
Letzte Position:
Python Softwareentwickler bei Schönhofer Sales and Engineering GmbH
- Implementierte eine Kommandozeilen-Schnittstelle (CLI) zur Integration von REST-APIs verschiedener Microservices für Endanwender
- Zentralisierte und vereinfachte die Interaktion mit den Services über die CLI
- Implementierte einen REST-Microservice für benutzerdefinierte Datenschemata basierend auf einem API-first-Ansatz
- Entwickelte ereignisgesteuerte Steuerung mit RabbitMQ zur Anbindung an andere Services
- Setzte Services mit Docker und Kubernetes ein und erweiterte die CLI
- Bewältigte Komplexität und Datenvolumen über den Microservice
Meisam Ghafarlangroudi
Letzte Position:
Machine-Learning-Ingenieur bei Geeks
- Nutzte ein Large Language Model (LLM) bei WordUp, das kontextuelle Beispiele versteht und generiert, um den Wortschatz zu verbessern und personalisierte Lernerfahrungen zu optimieren
- Entwickelte einen hochleistungsfähigen FastAPI-Service zum Abrufen von hoch-k-ähnlichen Vektoren mit Batch-Abfragen, entscheidend für effiziente Retrieval Augmented Generation (RAG) und semantische Suchanwendungen
- Entwarf und implementierte eine leistungsstarke Python-ETL-Pipeline, optimierte CPU- und I/O-Auslastung und vereinfachte die Datenbereinigungslogik, was zu einer 30%igen Reduktion der Verarbeitungszeit führte
- Setzte maschinelles Lernen ein, um das Nutzerverhalten zu analysieren und Churn vorherzusagen, erkannte wichtige Engagement-Trends, die zu einer 15%igen Steigerung der Nutzerbindung und -zufriedenheit führten
- Entwickelte ein Customer-Lifetime-Value-(CLTV)-Vorhersagemodell, das durch gezielte Bindungsmaßnahmen zu einer 10%igen Steigerung des durchschnittlichen CLTV führte
Entdecke mehr als 15.000 Top-Freelancer
Statistiken von Experten, die pytest einsetzen
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
13 Jahre (Deutschland: 15 Jahre)
Positionsdauer
2,1 Jahre (Deutschland: 1,8 Jahre)
Positionen pro Freelancer
9 (Deutschland: 10)
Häufigste Fachbereiche
Informationstechnologie (IT), Produktentwicklung, Qualitätssicherung
Häufigste Branchen
Informationstechnologie (IT), Bildung, Automotive
Bachelor-Abschluss oder höher
100% (Deutschland: 98%)
Master-Abschluss oder höher
86% (Deutschland: 73%)
Doktortitel
14% (Deutschland: 10%)
Zertifizierungen pro Freelancer
0 (Deutschland: 2)
Häufigste Sprachen
Deutsch, Englisch, Arabisch
Sprechen zwei oder mehr Sprachen
100% (Deutschland: 99%)
Basierend auf unserem Profilpool, Stand 30 Aug 2026.
Tagessatzverteilung
Das Diagramm zeigt, wie sich die Tagessätze der Freelancer in dieser Technologie in Berlin verteilen, basierend auf aktuellen Verträgen auf unserer Plattform. Jeder Balken deckt eine Tagessatzspanne ab – seine Höhe zeigt, wie viele Freelancer innerhalb dieser Spanne abrechnen.
Durchschnittssätze von Experten in Berlin, die pytest einsetzen
Die Tagessätze basieren auf aktuellen Verträgen und enthalten keinen FRATCH-Aufschlag.
Der durchschnittliche Tagessatz ist der Mittelwert aller Tagessätze aus aktuellen Verträgen vergleichbarer Freelancer auf unserer Plattform.
Der Median-Tagessatz ist der mittlere Wert aller Tagessätze – die Hälfte der vergleichbaren Freelancer verlangt weniger, die andere Hälfte mehr. Anders als der Durchschnitt wird er von Ausreißern kaum beeinflusst.
Berechnet auf Basis der Tagessätze unserer Freelancer, Stand 30 Aug 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Über die Technologie
Testabdeckung
pytest ist ein Python-Testframework für Unit-, Integrations- und End-to-End-Checks. Teams nutzen es, um Regressionen früh zu erkennen, erwartetes Verhalten zu dokumentieren und Release-Arbeiten stabil zu halten. Es passt zu Services, APIs, Datenpipelines und internen Tools, die in Python gebaut sind.
Was Teams bauen
Typische Arbeit mit pytest umfasst:
- Test-Suiten für neue Python-Features
- Regressionstests für bestehenden Code
- Fixture-Setup für wiederholbare Testdaten
- Parametrisierte Tests für viele Eingabefälle
- CI-Pipelines, die Tests bei jeder Änderung ausführen
Ökosystem
Starke Spezialisten kennen mehr als einfache asserts. Sie nutzen Fixtures, Marker, Plugins und Ausgabeerfassung, um Tests lesbar und schnell zu halten. Häufige Ergänzungen sind pytest-cov für Coverage, pytest-mock für Mocking und Plugins für asynchronen Code oder Browser-Flows.
Wann man einstellen sollte
Unternehmen holen sich freiberufliche Hilfe, wenn eine Codebasis schwache Tests, langsame Pipelines oder fehleranfällige Checks hat, die Releases blockieren. Berliner Teams brauchen oft Unterstützung bei Refactorings, Migrationen oder Feature-Arbeit, bei denen das Testdesign mit der Lieferung Schritt halten muss. Eine saubere Teststruktur zahlt sich schnell aus.
Was gute Experten tun
Gute Fachleute fügen nicht nur Tests hinzu. Sie erkennen Lücken in der Testabdeckung, entfernen brüchiges Setup und wählen für jeden Check den richtigen Umfang. Außerdem halten sie Namen klar, Fehler leicht lesbar und Testdateien nah am Code, den sie schützen.
Arbeitsweise
pytest-Arbeit kann vollständig remote erledigt werden, was gut zu verteilten Python-Teams passt. Zeit vor Ort in Berlin hilft, wenn Experten bei alten Suiten, bei der Absicherung vor Releases oder bei gemeinsamen Coding-Standards gemeinsam arbeiten müssen. Klare Testziele und Zugriff auf das bestehende CI-Setup sind am wichtigsten.
Häufig gestellte Fragen
Alles, was Kunden üblicherweise über pytest wissen wollen – kompakt an einem Ort.
pytest wird verwendet, um Python-Code mit klaren, gut lesbaren Tests zu prüfen. Unternehmen verlassen sich darauf für Unit-Tests, Integrationsprüfungen, API-Validierung und Regressionsschutz. Es passt gut, wenn ein Team einfachen Testcode mit starken Fixtures und Plugin-Unterstützung möchte.
pytest wird meist bevorzugt, wenn Teams weniger Boilerplate und einen flexibleren Teststil wollen. Im Vergleich zu unittest macht es Assertions und Fixtures leichter lesbar und führt trotzdem standardmäßige Python-Tests aus. unittest kann für sehr kleine oder stark traditionelle Codebasen in Ordnung sein, aber pytest skaliert oft besser für aktive Produktarbeit.
pytest ist oft der natürliche Nachfolger für Teams, die noch alte nose-basierte Test-Suiten haben. nose ist für neue Arbeit nicht mehr die übliche Wahl, während pytest ein größeres Ökosystem und aktive Nutzung in modernen Python-Projekten hat. Ein Freelancer kann Tests oft schrittweise migrieren, statt einen kompletten Rewrite zu erzwingen.
Ein starker pytest Spezialist sollte Fixtures, Parametrisierung, Marker, Mocking und Coverage-Reporting verstehen. In der Praxis braucht er außerdem solides Python-Wissen, Erfahrung mit CI und die Fähigkeit, produktiven Code zu lesen. Für asynchrone Services ist Erfahrung mit asynchronem Testen und Event-Loops ein Plus.
Ein pytest Experte kann mit einem kleinen Ausschnitt der Codebasis starten, braucht aber genug Kontext, um die Testpyramide, das CI-Setup und die Fehlerbilder zu verstehen. Auch ohne vollständiges Produktwissen kann ein guter Spezialist die Struktur verbessern, Flakiness reduzieren und sinnvolle Coverage hinzufügen. Die besten Ergebnisse entstehen, wenn das Team Beispiele bestehender Tests und aktuelle Schmerzpunkte teilt.
Ja. Arbeit mit pytest lässt sich remote leicht prüfen, weil Testdateien, Fixtures und Fehler textbasiert sind und gut in normale Git-Workflows passen. Für Berliner Teams kann eine Mischung aus Remote-Arbeit und gelegentlichen Vor-Ort-Terminen helfen, wenn eine alte Suite enge Zusammenarbeit braucht oder wenn Release-Termine knapp sind.
Wenn pytest Tests langsam, instabil oder schwer zu vertrauen sind, lohnt sich externe Hilfe meist. Weitere Anzeichen sind doppeltes Setup, unklare Fixture-Ebenen und Tests, die aus Gründen brechen, die nichts mit der Codeänderung zu tun haben. Ein guter Spezialist kann nützliche Abdeckung von störenden Checks trennen.
Achte auf Tests, die leicht zu lesen, in CI stabil und auf echte Risikobereiche ausgerichtet sind. Gute pytest Arbeit sollte Vertrauen schaffen, ohne brüchige Mocks oder übergroße Fixtures hinzuzufügen. Bitte um Beispiele dafür, wie der Spezialist das Test-Setup vereinfacht, fehleranfällige Fälle behoben oder Fehler leichter analysierbar gemacht hat.
Der durchschnittliche Stundensatz von Freelancern in Berlin, Deutschland, die pytest in ihren letzten Projekten eingesetzt haben, liegt bei 83 €, was einem Tagessatz von etwa 664 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern in Berlin, Deutschland, die pytest in ihren letzten Projekten eingesetzt haben, haben 100% mindestens einen Bachelor-Abschluss, 86% mindestens einen Master-Abschluss und 14% einen Doktortitel.
Freelancer in Berlin, Deutschland, die pytest in ihren letzten Projekten eingesetzt haben, haben im Durchschnitt 13 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 2,1 Jahre.
Die häufigsten Sprachen unter Freelancern in Berlin, Deutschland, die pytest in ihren letzten Projekten eingesetzt haben, sind Deutsch (100%), Englisch (100%) und Arabisch (13%).
Die häufigsten Industrien unter Freelancern in Berlin, Deutschland, die pytest in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (100%), Bildung (50%) und Automotive (38%).
Die häufigsten Bereiche unter Freelancern in Berlin, Deutschland, die pytest in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (88%), Produktentwicklung (75%) und Qualitätssicherung (75%).
Hauptstandorte der FRATCH Experten, die kürzlich pytest eingesetzt haben
Unsere Freelancer und Interim-Experten sind in der gesamten DACH-Region zuhause — verfügbar vor Ort in den wichtigsten Wirtschaftszentren oder komplett remote. Wähle einen Standort und entdecke passende Spezialisten, lokale Markteinblicke und aktuelle Verfügbarkeiten.
Berlin 
Hamburg München Köln Frankfurt Stuttgart Düsseldorf Leipzig Dortmund Essen Bremen Dresden Hannover Nürnberg 
München Kostenlose Demo vereinbaren
Kontaktiere uns und das FRATCH-Team meldet sich innerhalb von 4 Stunden bei dir.
Möchtest du lieber direkt mit uns in Kontakt treten?
Wir haben immer Zeit für einen Anruf oder eine E-Mail!
Philipp Thomaschewski
FRATCH CEO
