Ganzheitliche Entwicklung KI-gestützter Softwarelösungen
Einsatz von Künstlicher Intelligenz zur Automatisierung und Optimierung aller Phasen der Softwareentwicklung – von der Anforderungsanalyse über die Architektur bis hin zur Produktivsetzung.

KI-unterstützte Anforderungs- und Architekturarbeit
Analyse, Strukturierung und Priorisierung von Anforderungen sowie Entwicklung technischer Konzepte mithilfe moderner KI-Tools.

Intelligente Codeentwicklung und Qualitätssicherung
Anwendung generativer KI zur automatisierten Codeerzeugung, Dokumentation, Testabdeckung und kontinuierlichen Codeoptimierung.

Implementierung smarter CI/CD-Pipelines
Konzeption, Aufbau und Betrieb von CI/CD-Prozessen mit integrierter KI-Unterstützung zur Fehlervermeidung, Überwachung und Leistungssteigerung.

Cloud-native Umsetzung skalierbarer KI-Anwendungen
Entwicklung und Betrieb containerisierter Anwendungen in modernen Cloud-Umgebungen (AWS, Azure, GCP) mit Fokus auf MLOps, Automatisierung und Wiederverwendbarkeit.

KI-gestützte Entwicklung & Architektur
Erfahrung mit generativer KI (z. B. GPT, GitHub Copilot, CodeWhisperer) zur Codegenerierung, Dokumentation, Testautomatisierung sowie zur Architekturunterstützung und Anforderungsanalyse (z. B. Jira + KI-Add-ons).

Cloud-Plattformen & DevOps
Fundierte Kenntnisse in AWS, Azure oder GCP, inklusive containerisierter Anwendungen (Docker, Kubernetes) und CI/CD-Pipelines mit automatisierten, KI-unterstützten Deployments.

MLOps & Toolchain
Umgang mit Tools wie MLflow, DVC oder Kubeflow für Modellmanagement und Operationalisierung sowie Cloud-native KI-Services wie AWS SageMaker, Azure ML oder Vertex AI.

Erfahrung in der KI-gestützten Softwareentwicklung
Praktische Anwendung generativer KI zur Unterstützung von Code-Erstellung, Dokumentation und Architekturarbeit.

Sichere Kenntnisse moderner Cloud-Plattformen
Entwicklung und Betrieb cloudbasierter Anwendungen (AWS, Azure oder GCP), idealerweise unter Nutzung KI-naher Dienste und Automatisierung.

Vertrautheit mit CI/CD- und DevOps-Prozessen
Aufbau und Pflege automatisierter Entwicklungs- und Deployment-Pipelines – inkl. Integration KI-gestützter Komponenten.

Erste Erfahrung im Bereich MLOps oder Modell-Operationalisierung
Umgang mit Tools wie MLflow, DVC oder Kubeflow zur Integration und Überwachung von KI-Modellen im Produktivbetrieb.

Kenntnisse in KI-unterstütztem Anforderungs- und Qualitätsmanagement
Nutzung von KI zur Analyse von Anforderungen sowie zur automatisierten Testgenerierung, Codeanalyse und Review.