DevOps Engineer_Intermediate_10PT__ #3268
Deloitte GmbH
Ansprechpartner: S. B.
Frankfurt am Main, Deutschland
Verkehr und LogistikAPIsAutomatisierungBuild-AutomatisierungContinuous IntegrationDatenqualitätDevOpsMessaging Application Programming InterfaceWindows Application Programming InterfaceRelease-ManagementDataOpsSoftware ProjektmanagementSoftware-QualitätsmanagementSystemarchitekturIntegration (Software)VersionierungWorkflowsSoftware OrganizationLiefer-PipelineVerteilte ProgrammierungIntegrationstestsDeployment AutomationDaten-PipelineDevSecOps
Beschreibung
LP_3783 (DevOps Engineer – Intermediate, 10 PT)
DEADLINE: 2.10. um 10 Uhr
ACHTUNG:
Besondere Rahmenbedingungen
Freelancer AUSGESCHLOSSEN: Beauftragung nur über Dienstleister / Systemhäuser (keine 1-Personen-Gesellschaften
____________________________________
Projektrahmenbedingungen
Laufzeit 06.10.2026 bis 31.12.2026
Dauer in Monaten 3 Monate
Gesamtaufwand: 25 Projekttage (PT)
Auslastung / Intensität Ca. 2 Tage pro Woche (durchschnittlich)
Einsatzmodus 100% Remote (0 Onsite PT)
Standort-Zuordnung Onshore (Deutschland) / Standort-Erfüllungsort: Frankfurt am Main
Projekt-Context & Gegenstand des Vertrags (Scope)
Kontext: Im Rahmen der zentralen Erhebung und Speicherung von Datenqualitätskennzahlen wurde ein KI-gestütztes Qualitätsmesstool entwickelt. Das System nutzt einen Human-in-the-Loop-Ansatz (HITL), bei dem Fachexperten gemeinsam mit der KI Regelsets für die automatisierte Qualitätsmessung von Datensätzen erstellen.
Aufgaben Scope:
- Beratung zu IT-Sicherheits- und Governance-Maßnahmen, Datenschutz und Compliance im Bereich KI-Workflows und Systemarchitektur.
- Analyse und Bewertung der bestehenden Lösung hinsichtlich Architektur, Skalierbarkeit, Integration und Betriebsfähigkeit.
- Umsetzung priorisierter Empfehlungen in eine produktionsreife Lösung inkl. Architektur-Hardening und API-Integration.
- Implementierung und Pflege von CI/CD-Pipelines, Release-Management und Qualitätssicherung.
- Benchmarking und Bewertung von KI-Modellen anhand relevanter KPIs, Qualität, Performance, Kosten und Robustheit.
Muss-Kriterien (ZWINGEND & VOLLUMFÄNGLICH ERFORDERLICH)
M1: Implementierung und Betrieb von Infrastruktur- und Plattform-Tools für AI-Anwendungen (insb. Cloud- und Container-Plattformen); Überführung der Lösung in eine skalierbare, zuverlässige, sichere und wartbare Zielumgebung (Erfahrungslevel: Intermediate, > 3 Jahre).
M2: Technische Steuerung von Architekturentscheidungen, Abhängigkeiten und Umsetzungen; Zusammenarbeit mit Entwicklung, Betrieb und Fachbereichen (Nachweis: 2 Referenzen).
M3: Erfahrung im Software Development Lifecycle AI-gestützter Anwendungen mit Python und vergleichbaren Technologien sowie Entwicklung und technische Bewertung produktionsnaher Anwendungen und APIs (Nachweis: 2 Referenzen).
M4: Überwachung von Leistung, Verfügbarkeit und Fehlern der Anwendung/Plattform mittels Logging, Metriken, Tracing und AI-spezifischer Telemetrie für stabilen Betrieb und Fehleranalyse (Nachweis: 1 Referenz).
M5: Nachvollziehbare Dokumentation von Architektur, Schnittstellen, Konfigurationen und Betriebsabläufen sowie Erstellung von Runbooks und Übergabeunterlagen (Nachweis: 1 Referenz).
Soll-Kriterien (Gewichtung)
S1 (20%): Koordination von Entwicklung und Betrieb bei Produktivsetzung, Fehlerbehebung und Releases; Übersetzung von Fachbereichsanforderungen in technische Maßnahmen.
S2 (20%): Automatisierung von Build, Test, Konfiguration und Bereitstellung; Umsetzung sicherer Deployments mit automatisierten System-, Funktions- und Integrationstests sowie verlässlichen Rollbacks; fachliche Begleitung von User-Acceptance-Tests.
S3 (10%): Übersetzung von Datenschutz-, Sicherheits- und Governance-Anforderungen in technische Kontrollen sowie Erkennung/Begrenzung von Risiken (z. B. Prompt Injection, Datenabfluss, Zweckentfremdung).
S4 (10%): Nachvollziehbarmachung von Modell- und Prompt-Versionen, Ergebnissen, Freigaben und Aktionen; Gestaltung von Rollen, Rechten und menschlichen Freigaben.
S5 (10%): Gestaltung von Agentenworkflows mit Tools, Zuständen, Wissenszugriff und kontrollierten Aktionen.
S6 (10%): Kontrollierte Bereitstellung von Unternehmenswissen für die AI-Lösung unter Berücksichtigung von Datenqualität, Aktualität, Berechtigungen und Herkunft.
S7 (10%): Versionierung und kontrollierter Rollout von Modellen, Prompts und Evaluationen; Betriebsüberwachung von Qualität und Verhalten der Lösung.
S8 (10%): Transparenzschaffung von Kosten und Latenz der AI-Nutzung; Einsatz von Quoten, Budgets, Caching oder Modellwahl zur wirtschaftlichen Nutzung