pytest-Experten in Berlin

• 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.

• 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

• 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

• 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

• 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

• 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.

• 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

• 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