Data Quality & Benchmarking Engineer

Data Quality & Benchmarking Engineer

Darmstadt Vollzeit 60000 - 80000 € / Jahr (geschätzt) Kein Homeoffice möglich
C

Auf einen Blick

  • Aufgaben: Stelle sicher, dass unsere Datenprodukte höchste Qualität haben und teste innovative Features.
  • Unternehmen: COMPREDICT, ein innovatives Unternehmen im Bereich softwaredefinierte Fahrzeuge.
  • Vorteile: Attraktives Gehalt, flexible Arbeitszeiten und die Möglichkeit, an spannenden Projekten zu arbeiten.
  • Weitere Informationen: Vielfältiges Team aus über 50 Mitgliedern aus 10 Nationen.
  • Warum dieser Job: Werde Teil eines dynamischen Teams und gestalte die Zukunft der Mobilität mit.
  • Qualifikationen: Mindestens 2 Jahre Erfahrung in Qualitätssicherung oder Testengineering.

Das prognostizierte Gehalt liegt zwischen 60000 - 80000 € pro Jahr.

Wir suchen einen Data Quality & Benchmarking Engineer, um den Qualitätsprozess unseres DataPilot-Produkts und verwandter Daten-/ML-Plattformkomponenten zu stärken. Diese Rolle ist im Entwicklungsteam eingebettet und verantwortlich dafür, dass Funktionen frühzeitig validiert, gegen realistische Datensätze getestet, ordnungsgemäß benchmarked und mit den Produktanforderungen sowie technischen Designs in Einklang gebracht werden, bevor sie die endgültige Produktakzeptanz erreichen. Die Mission besteht nicht nur darin, Fehler am Ende des Entwicklungszyklus zu finden, sondern auch darin, zu verbessern, wie wir Qualität während des gesamten Entwicklungsprozesses definieren, überprüfen, messen und freigeben.

Sie werden uns helfen, die Lücke zwischen Produktanforderungen, technischem Design und endgültiger Implementierung zu schließen, indem Sie strukturierte Validierungen, datensatzbasierte Regressionstests, Benchmarking-Praktiken und exploratives Testen für Szenarien einführen, die nicht vollständig automatisiert werden können.

Verantwortlichkeiten

  • Überprüfung von Produktanforderungen, technischen Designs und Akzeptanzkriterien vor und während der Implementierung.
  • Übersetzung von PRDs und technischen Designs in klare Validierungsszenarien, Randfälle und Testpläne.
  • Überprüfung, ob implementierte Funktionen dem vereinbarten Produktverhalten und technischen Design entsprechen.
  • Definition und Pflege von Testdatensätzen für unsere Plattformen, einschließlich Goldstandards, fehlerhaften Datensätzen, großen Datensätzen, Randfall-Datensätzen und Regression-Datensätzen.
  • Validierung des Datenverhaltens, der Datenqualitätsprüfungen, der Labeling-Flows, der Korrekturflüsse, der Exporte und der benutzerseitigen Ergebnisse.
  • Entwurf und Ausführung von Benchmark-Szenarien für unsere Zeitreihenplattform-Funktionen und Kubeflow-Pipelines.
  • Messung von Laufzeit, Speicherverbrauch, Durchsatz, Skalierbarkeitsgrenzen, Fehlverhalten und Regressionen zwischen Releases.
  • Durchführung von explorativen Tests für komplexe Benutzerflüsse, realistische Datenszenarien und Fälle, die schwer oder ineffizient zu automatisieren sind.
  • Identifizierung, welche Validierungsprüfungen automatisierte Tests werden sollten, und Zusammenarbeit mit Entwicklern zu deren Implementierung.
  • Unterstützung von Freigabentscheidungen durch Bereitstellung klarer Qualitätsbefunde, Benchmark-Ergebnisse und Risikobewertungen.
  • Enge Zusammenarbeit mit Produkt-, Backend-, Frontend-, Daten-, MLOps- und Plattformingenieuren zur Verbesserung des gesamten Qualitätsprozesses.
  • Hilfe bei der Definition und Verbesserung der Definition of Done, des Engineering-Akzeptanzprozesses und der Qualitätsgates.
  • Dokumentation von Testszenarien, Datensatzannahmen, Benchmark-Ergebnissen und bekannten Einschränkungen.

Was Erfolg bedeutet

  • Das Produkt erhält Funktionen, die bereits gegen das PRD und das Design validiert wurden.
  • Weniger Probleme werden spät während der Produktakzeptanz entdeckt.
  • DataPilot hat einen strukturierten Katalog von Testdatensätzen und Regression-Szenarien.
  • Benchmark-Ergebnisse sind für wichtige Funktionen und Pipeline-Änderungen verfügbar.
  • Leistungs- oder Datenqualitätsregressionen werden vor der Veröffentlichung erkannt.
  • Entwickler erhalten frühere Rückmeldungen während der Implementierung.
  • Qualität wird zu einer gemeinsamen Ingenieurpraxis, nicht zu einem letzten Übergabeschritt.

Was diese Rolle nicht ist

Dies ist keine traditionelle QA-Rolle am Ende des Prozesses, bei der die Hauptverantwortung darin besteht, fertige Funktionen nach Abschluss der Entwicklung zu testen. Diese Rolle beschränkt sich auch nicht auf das Klicken durch UI-Flows oder das Ausführen vordefinierter Testfälle. Die Rolle ist Teil des Ingenieurprozesses und konzentriert sich auf frühe Validierung, Datenqualitätsüberprüfung, Regressionstests, Benchmarking und Freigabesicherheit.

Ihr Profil

Wir suchen jemanden mit einigen Jahren praktischer Erfahrung in Softwarequalität, Testengineering, Datenvalidierung oder Testing von Datenplattformen. Jemanden, der wie ein Ingenieur denkt und nicht nur als Tester. Der ideale Kandidat hat Erfahrung über manuelles Testen hinaus und fühlt sich wohl dabei, eng mit Ingenieurteams zusammenzuarbeiten, technische Designs zu lesen, Datenflüsse zu verstehen und praktische Validierungsstrategien zu entwickeln.

Sie sollten haben:

  • 2+ Jahre Erfahrung in Qualitätsengineering, Testengineering, Datenengineering-Testing, SDET oder einer ähnlichen Rolle.
  • Erfahrung im Testen komplexer Softwaresysteme, vorzugsweise mit Datenverarbeitung, Backend-Services, APIs, Pipelines oder Plattform-Workflows.
  • Starke Fähigkeit, Produktanforderungen zu verstehen und in konkrete Testszenarien umzuwandeln.
  • Erfahrung mit Testdesign, explorativem Testen, Regressionstests und Validierung von Akzeptanzkriterien.
  • Praktische Erfahrung mit Python-basiertem Testen oder Skripting.
  • Erfahrung im Umgang mit Datensätzen, strukturierten Daten, Protokollen, Ausgaben oder Datenqualitätsvalidierung.
  • Vertrautheit mit CI/CD-Workflows und modernen Entwicklungsprozessen.
  • Fähigkeit, Ergebnisse klar an Entwickler, Produktmanager und technische Leiter zu kommunizieren.
  • Eine strukturierte Denkweise und die Fähigkeit, wiederholbare Qualitätsprozesse von Grund auf zu definieren.

Technische Fähigkeiten

Relevante Erfahrungen können Folgendes umfassen:

  • Python und pytest oder ähnliche Testframeworks
  • REST API-Tests
  • Grundlegendes Verständnis von CI/CD-Pipelines
  • Grundlegendes Verständnis von Docker oder containerisierten Umgebungen
  • Beobachtungswerkzeuge, Protokolle, Metriken oder Dashboards

Die folgenden sind Bonus:

  • Grundlegendes Verständnis von Daten-/ML-Pipelines
  • Leistungsbenchmarking von Zeitreihendatenverarbeitung

Über uns

COMPREDICT treibt den Paradigmenwechsel hin zu softwaredefinierten Fahrzeugen voran und bietet Lösungen der nächsten Generation für nachhaltige Mobilität. Gegründet 2016 in Darmstadt, Deutschland, von Dr. Rafael Fietzek und Dr. Stéphane Foulard, liegt unser Fokus auf der Entwicklung virtueller Sensoren für Mobilität zur Optimierung von Fahrzeugdesign, Nutzung und Wartung. Wir arbeiten mit Automobilherstellern und Tier1-Unternehmen weltweit zusammen und bedienen diese. Mit einem vielfältigen Team von über 50 Mitgliedern aus 10 verschiedenen Nationen befinden wir uns auf einer spannenden Wachstums- und Innovationsreise.

Data Quality & Benchmarking Engineer Arbeitgeber: COMPREDICT GmbH

Als Arbeitgeber bietet COMPREDICT eine dynamische und innovative Arbeitsumgebung, in der MLOps Engineers die Möglichkeit haben, an spannenden Projekten zu arbeiten, die die Automobilindustrie revolutionieren. Mit einem starken Fokus auf Mitarbeiterentwicklung und Weiterbildung fördern wir eine Kultur des Wissensaustauschs und der Zusammenarbeit, während wir gleichzeitig flexible Arbeitsbedingungen und ein unterstützendes Team bieten. Unsere Lage ermöglicht es Ihnen, Teil eines zukunftsorientierten Unternehmens zu sein, das an der Spitze der Technologie steht und bedeutende Einblicke in die Fahrzeugdatenanalyse liefert.

C

Kontaktdaten:

COMPREDICT GmbH Recruiting-Team

Wir glauben, dass du diese Fähigkeiten brauchst, um Data Quality & Benchmarking Engineer mit Bravour zu bestehen

Datenvalidierung
Testdesign
Exploratives Testen
Regressionstests
Akzeptanzkriterienvalidierung
Python-basierte Tests oder Skripting
REST API Testing