Senior AI Developer (Automators)

Projektbeschreibung: Wir bauen und pflegen eines der größten Testautomatisierungsframeworks für OTT-Plattformen, das Millionen von Kunden über Streaming-TV-Plattformen bedient. Das Team entwickelt ein auf Java/Appium basierendes Automatisierungsframework für Android TV-Geräte und erweitert es aktiv mit KI-gestützten Werkzeugen. Wir suchen einen Senior AI Developer. Dies ist eine hybride Rolle, die das Design und die Entwicklung von KI-gestützten internen Tools mit praktischen Fähigkeiten in der Testautomatisierung kombiniert. Der ideale Kandidat ist ein Software-Ingenieur, der sowohl QA-Automatisierung als auch moderne LLM/RAG-Systeme versteht und Testengineering-Probleme in praktische KI-Lösungen umsetzen kann.

Verantwortlichkeiten:

• Automatisierte Testfehler-Triage — LLM + RAG-Pipeline klassifiziert ReportPortal-Fehler (Protokolle, Stack-Traces, Screenshots) in strukturierte Kategorien (PRODUCT_BUG, AUTOMATION_BUG, SYSTEM_ISSUE) unter Verwendung von AWS Bedrock + Claudeo.
• KI-gestützte Change-Based Testing (CBT) — LLM-gesteuerte Testfallauswahl unter Verwendung der semantischen Ähnlichkeit zwischen Codeänderungen und Testabdeckung.
• Generierung von KI-Testfällen aus Funktionsspezifikationen, Jira-Tickets und Confluence-Dokumentation.
• Aufbau und Pflege von End-to-End-RAG-Pipelines: Dokumentenaufnahme → Chunking → Einbettung → OpenSearch Serverless Vektorspeicher → Abruf → LLM-Antwortgenerierung.
• Entwicklung von AWS Lambda-Funktionen (Python 3.12) und API Gateway REST-Endpunkten zur Integration von KI-Funktionen in CI/CD-Pipelines.
• Anwendung von Best Practices im Prompt Engineering (System-Prompts, strukturierte JSON-Ausgaben, Schutzmaßnahmen) und kontinuierliche Bewertung der Genauigkeit von LLM-Lösungen.
• Verwendung von Cursor IDE mit MCP-Integrationen, agentischen Workflows und Kontext-/Regeldateien zur Beschleunigung der Generierung und Wartung von Testcode.
• Schreiben, Pflegen und Erweitern automatisierter Testsuiten in Java (Appium / UiAutomator2) für Android TV-Plattformen.
• Entwicklung und Pflege funktionaler, regressiver, NFR- und CBT-Test-Suiten.
• Triage und Behebung von Testfehlern in ReportPortal; Integration der KI-Triage-Ergebnisse mit QMetry (QTM4J).
• Unterstützung der CI/CD-Pipeline-Gesundheit — Teilnahme an Nachlauf-Bauten, RC und Release-Automatisierungsläufen über Jenkins.
• Beitrag zu Verbesserungen des Framework-Codebases — Fehlerbehebungen, Refactoring, Erweiterungen.
• Teilnahme an Kanban-Zeremonien und PI-Planung im ART-Team.
• Präsentation von KI-Lösungsdemos für Stakeholder und technische Führung.
• Dokumentation der KI-Systemarchitektur, RAG-Pipelines und Werkzeuge in Confluence.

Fähigkeiten:

• Must have: AWS Bedrock — praktische Erfahrung: Modellzugriff, Wissensdatenbanken, Lambda-Integration (primäre KI-Plattform)
• KI-Agenten & agentische Werkzeuge — praktische Kenntnisse im Entwerfen und Betreiben von KI-Agenten, einschließlich agentischer Workflows, wiederverwendbarer Fähigkeiten, Regeln/Schutzmaßnahmen, Befehlen und Multi-Tool/Multi-Agent-Orchestrierung
• RAG-Pipeline — End-to-End-Implementierung: Chunking, Einbettung, Vektorindizierung, Abruf, Generierung
• Prompt Engineering — Zero-Shot, Few-Shot, Chain-of-Thought, strukturierte Ausgabe (JSON-Modus), Multi-Turn
• Vektordatenbanken — praktische Kenntnisse von OpenSearch, Pinecone oder Faiss; Verständnis des Unterschieds zwischen Vektor- und Graphdatenbanken
• LLM-Schutzmaßnahmen — Eingabe-/Ausgabefilterung, Strategien zur Minderung von Halluzinationen
• Feinabstimmung vs. RAG — Fähigkeit, zu beurteilen, welcher Ansatz für ein bestimmtes Problem geeignet ist
• LLM-Orchestrierung — LangChain, LangGraph oder LlamaIndex
• Einbettungen — Verständnis der semantischen Ähnlichkeit; Erfahrung mit Amazon Titan Embed oder gleichwertig
• Python — für Lambda-Funktionen, KI-Pipeline-Skripting und Datenverarbeitung
• Java — 3+ Jahre praktische Erfahrung in der Testautomatisierungsentwicklung
• Appium / UiAutomator2 — mobile/Android UI-Automatisierung
• Android / ADB — Geräteverwaltung, Testausführung
• ReportPortal oder gleichwertiges Testberichterstattungstool
• REST API — Konzepte und praktische Nutzung
• Jenkins / CI-CD — Pipeline-Debugging und Integration
• AWS — S3, Lambda, API Gateway, IAM, OpenSearch Serverless
• Docker — containerisierte Testausführungsumgebungen

Nice to have:

• Cursor IDE erweiterte Funktionen — .cursorrules, Memory-Bank-Kontextdateien, MCP-Serverintegration und agentische Triage-Workflows
• Android TV-Plattformen — STB / Embedded Device-Test-Erfahrung (Fire TV, Roku oder ähnlich)
• QMetry (QTM4J) — Testmanagement integriert mit Jira
• Streamlit — zum Erstellen interner KI-Dashboards
• DSPy — programmatische Optimierung von Prompts
• AWS SageMaker / MLflow — Modellevaluation und Experimentverfolgung
• Kotlin — für Werkzeuge neben Java