Passt das zu Ihnen?
AI Engineer (m/w/d) (DE)
[1240]
Projektbeschreibung: Unterstützung im Projekt als AI Engineer (m/w/d) Aufgabenbeschreibung: · Aufbau eines LLM-Workflows zur automatischen Generierung von Unit-Tests für Legacy-C-Code (GoogleTest / CppUTest) ·Entwicklung eines „Compliance Agents" zur automatisierten Behebung von MISRA-/AUTOSAR-Style-Verstößen (Zielmarke: ? 40 % Low-Risk-Fixes automatisiert) ·Automatische Generierung von SIL-Tests gegen dSpace-VEOS-Plant-Modelle ·Integration in CI/CD-Pipeline (CloudBees Jenkins / GitHub Actions) inkl. Trace-Links nach Polarion ·Eval-Framework mit klaren Metriken: Funktional-Parität, Halluzinations-Rate, Coverage-Delta ·AI-Security-Konzept (extern vs. on-prem) inkl. Logging- und Reproduzierbarkeits-Setup ·Wissenstransfer ins Festangestellten-Team: Pair-Sessions, Runbooks, dokumentierte Prompt-Bibliothek Anforderungen: ·Deutsch in Wort und Schrift (Mindestens Level C1) ·Englisch in Wort und Schrift ·Kommunikativ, kreativ und eine Teamplayer-Mentalität sind vorausgesetzt ·LLM-Praxis (Fine-Tuning, Prompt-Engineering, Eval, Deployment) (MUSS) ·Sehr gute Python-Kenntnisse (PyTorch, Hugging Face Transformers, vLLM, LangChain / LlamaIndex) (MUSS) ·Nachweisliche Praxis mit Anthropic Claude: Claude API, Claude Code, Model Context Protocol (MCP), Tool Use, Agentic Workflows ·Fundiertes Verständnis von C / Embedded C (Legacy-Modul-Strukturen, globale Variablen, RTE-Schnittstellen) ·Erfahrung mit CI/CD (Jenkins, GitHub Actions, GitLab CI) und Container-/Cloud-Infrastruktur (Docker, Kubernetes, AWS / Azure) ·Eval-Methodik für generative Modelle (Pass@k, Funktional-Tests, Property-based Testing) Auslastung: Remote/Vor-Ort-Anteile erfolgen immer in Absprache mit dem Endkunden. Die Bereitschaft vor Ort im Projekt zu arbeiten ist vorausgesetzt. Bitte beachten Sie, dass die genannten MUSS-Kriterien auch alle als Stichwort im CV stehen müssen. Sofern diese Kriterien nicht erfüllt sind, können wir sie im weiteren Prozess vorerst nicht berücksichtigen und kommen gegebenenfalls nochmals auf Sie zu. Start: asap Ende / Dauer: 6 Monate + Option Einsatzort: remote
- Aufbau eines LLM-Workflows zur automatischen Generierung von Unit-Tests für Legacy-C-Code (GoogleTest / CppUTest)
- Entwicklung eines „Compliance Agents" zur automatisierten Behebung von MISRA-/AUTOSAR-Style-Verstößen (Zielmarke: ? 40 % Low-Risk-Fixes automatisiert)
- Automatische Generierung von SIL-Tests gegen dSpace-VEOS-Plant-Modelle
- Integration in CI/CD-Pipeline (CloudBees Jenkins / GitHub Actions) inkl. Trace-Links nach Polarion
- Eval-Framework mit klaren Metriken: Funktional-Parität, Halluzinations-Rate, Coverage-Delta
- AI-Security-Konzept (extern vs. on-prem) inkl. Logging- und Reproduzierbarkeits-Setup
- Wissenstransfer ins Festangestellten-Team: Pair-Sessions, Runbooks, dokumentierte Prompt-Bibliothek
- Deutsch in Wort und Schrift (Mindestens Level C1)
- Englisch in Wort und Schrift
- Kommunikativ, kreativ und eine Teamplayer-Mentalität sind vorausgesetzt
- LLM-Praxis (Fine-Tuning, Prompt-Engineering, Eval, Deployment) (MUSS)
- Sehr gute Python-Kenntnisse (PyTorch, Hugging Face Transformers, vLLM, LangChain / LlamaIndex) (MUSS)
- Nachweisliche Praxis mit Anthropic Claude: Claude API, Claude Code, Model Context Protocol (MCP), Tool Use, Agentic Workflows
- Fundiertes Verständnis von C / Embedded C (Legacy-Modul-Strukturen, globale Variablen, RTE-Schnittstellen)
- Erfahrung mit CI/CD (Jenkins, GitHub Actions, GitLab CI) und Container-/Cloud-Infrastruktur (Docker, Kubernetes, AWS / Azure)
- Eval-Methodik für generative Modelle (Pass@k, Funktional-Tests, Property-based Testing)
Dominik Schwarz