Praca
Z kanału partnera
Inżynier ds. kontroli jakości
Cena na życzenie
Szczegóły
- Typ zatrudnienia
- Pełny etat
- Zdalnie
- Tak
- Firma
- Neuroscale AI
- Poziom
- Senior
Opis
Automatyczne tłumaczenie z języka English. Oryginał jest wiążący. Tłumaczenie maszynowe — trwają prace nad dokładniejszą wersją.
Informacje o sztucznej inteligencji w skali neuro
Neuroscale AI tworzy platformę nowej generacji do rekrutacji i analizy talentów wykorzystującą sztuczną inteligencję, która pomaga organizacjom przekształcić zatrudnianie w wymierną, powtarzalną i inteligentną naukę. Nasza platforma ARBI obsługuje pozyskiwanie, selekcję, ocenę, sekwencjonowanie, planowanie, automatyzację przepływu pracy rekruterów i łatwą do wyjaśnienia ocenę kandydatów dla przedsiębiorstw komercyjnych, agencji sektora publicznego, szkolnictwa wyższego, organizacji kadrowych i zespołów zajmujących się rozwojem siły roboczej.
Neuroscale tworzy także Athenę, oparte na sztucznej inteligencji narzędzie do zapewniania gotowości zawodowej i pomocy kandydatom, które pomaga użytkownikom ulepszać CV, przygotowywać się do rozmów kwalifikacyjnych, otrzymywać informacje zwrotne oparte na rubrykach i kierować procesem poszukiwania pracy dzięki spersonalizowanemu wsparciu sztucznej inteligencji.
Jesteśmy szybko rozwijającym się startupem działającym na styku GenAI, technologii HR, operacji rekrutacyjnych, usług karier, automatyzacji przepływu pracy i wdrażania sztucznej inteligencji w przedsiębiorstwach. Ponieważ ARBI i Athena rozszerzają swoją działalność na różnych klientów, potrzebujemy starszego lidera ds. jakości, który może sprawić, że jakość produktu będzie mierzalna, zautomatyzowana, możliwa do audytu i budząca zaufanie.
Przegląd ról
Zatrudniamy starszego inżyniera ds. kontroli jakości / kierownika inżynierii jakości do własnego zapewnienia jakości, strategii testowania, walidacji produktów i gotowości do wydania w ARBI i Athena. Jest to praktyczne stanowisko kierownicze dla osoby, która potrafi dogłębnie testować, budować zautomatyzowane systemy jakości, weryfikować przepływy pracy AI, ulepszać praktyki jakości programistów i stać się centralnym organem odpowiedzialnym za jakość produktów.
Ta rola nie ogranicza się do wykonywania przypadków testowych. Przeprowadzisz audyt bieżącego środowiska kontroli jakości, zdefiniujesz strategię testowania, zbudujesz ramy regresji i automatyzacji, zweryfikujesz zachowanie sztucznej inteligencji, przeprowadzisz testy ciśnieniowe na krawędziach i uzyskasz pewność wydania potrzebną dla szybko rozwijającej się platformy SaaS.
Będziesz ściśle współpracować z inżynierami, produktem, projektantem, sukcesem klienta i założycielami, aby mieć pewność, że nowe funkcje, poprawki błędów, eksperymenty, integracje, przepływy danych i doświadczenia oparte na sztucznej inteligencji będą dostarczane z przejrzystością, niezawodnością, możliwością kontroli, dostępnością i zaufaniem użytkowników.
Co będziesz robić (kluczowe obowiązki)
1) Zbuduj strategię jakości i system operacyjny kontroli jakości
• Przeprowadź dogłębny audyt bieżącej konfiguracji kontroli jakości w ARBI, Athenie, przepływach frontendowych, usługach backendowych, interfejsach API, przepływach danych, integracjach, potokach AI i procesach wydawania.
• Zdefiniuj ogólnofirmową strategię zapewnienia jakości obejmującą krótkoterminową stabilizację, średnioterminową automatyzację i długoterminową dojrzałość inżynierii jakości.
• Zaprojektuj skalowalną architekturę testów, korzystając z zasad piramidy testowej, testów z przesunięciem w lewo, testów dymnych, testów regresyjnych, bramek wydania, testów eksploracyjnych i pokrycia opartego na ryzyku.
• Zdefiniuj jasne obowiązki w zakresie kontroli jakości pomiędzy programistami, kontrolą jakości, produktem, projektem, sukcesem klienta i właścicielami wersji.
• Ustal praktyczny rytm działania dotyczący jakości: plany testów, listy kontrolne wydania, selekcja defektów, definicje istotności, przepływy pracy związane z zatwierdzaniem i metryki jakości.
2) Własna kontrola jakości produktu dla ARBI i Athena
• Zweryfikuj wdrożenie pod kątem wymagań, projektów, kopii, kryteriów akceptacji, historii użytkowników i przepływów pracy specyficznych dla klienta.
• Testuj interfejs użytkownika, UX, logikę biznesową, responsywność, przypadki brzegowe, stany błędów, stany puste, stany ładowania, dostępność i komunikaty sprawdzające.
• Przed premierą wykonaj testy eksploracyjne, dymne, regresyjne i kandydujące do wydania.
• Sprawdzaj przepływy pracy rekruterów, w tym wyszukiwanie kandydatów, dopasowywanie, ocenianie, analizowanie CV, sekwencjonowanie zasięgu, planowanie, pulpity rekrutacyjne, profile kandydatów i przepływy pracy w stylu ATS/CRM.
• Weryfikuj przepływy pracy w systemie Athena, w tym wsparcie w zakresie CV, przygotowanie do rozmowy kwalifikacyjnej, opinie oparte na rubrykach, pomoc dla kandydatów, rekomendacje generowane przez sztuczną inteligencję i wskazówki dla użytkowników.
3) Buduj i modernizuj automatyzację testów
• Przejmij na własność zautomatyzowany interfejs, API, integrację i kompleksowe testy przy użyciu narzędzi Cypress, Playwright, Pytest, Postman/Newman lub równoważnych.
• Twórz niezawodne zautomatyzowane zestawy regresji dla krytycznych przepływów pracy ARBI i Athena, w tym uwierzytelnianie, uprawnienia, potoki kandydatów, analizy, powiadomienia, integracje i środowiska administracyjne.
• Głęboko integruj testy z potokami CI/CD, aby awarie były widoczne, możliwe do podjęcia i powiązane w celu uzyskania pewności.
• Popraw niezawodność testów, szybkość wykonywania, konfigurację danych, zarządzanie urządzeniami i łatwość konserwacji.
• Wprowadź praktyki testowania wspomaganego sztuczną inteligencją tam, gdzie jest to przydatne, zachowując przy tym jasny ludzki osąd i powtarzalne dowody z testów.
4) Sprawdź niezawodność backendu, API, danych i przepływu pracy
• Testuj niezawodne interfejsy API REST, usługi Python/FastAPI, logikę biznesową zaplecza, asynchroniczne przepływy pracy i potoki przetwarzania danych.
• Zweryfikuj PostgreSQL, Redis, OpenSearch, Celery, Temporal, usługi kontenerowe, potoki wdrożeniowe i środowiska hostowane przez AWS z punktu widzenia kontroli jakości.
• Twórz API i testy integracyjne dla importów, eksportów, webhooków, uprawnień, wyszukiwania, scoringu, danych kandydatów, konfiguracji specyficznej dla klienta i automatyzacji przepływu pracy.
• Testuj realistyczne zestawy danych na dużą skalę, aby odkryć problemy z wydajnością, opóźnieniami, trafnością wyszukiwania, integralnością danych i odpornością.
• Ustal podstawowe testy wydajności, obciążenia i niezawodności przy użyciu JMeter, k6, Locust lub podobnych narzędzi.
5) QA AI, LLM i przepływy pracy związane z oceną
• Weryfikuj przepływy pracy związane z rekrutacją wspomaganą sztuczną inteligencją pod kątem dokładności, spójności, wyjaśnialności, ryzyka halucynacji, ryzyka stronniczości, szybkiego przestrzegania zasad, dostosowania rubryk i zachowań typu „człowiek w pętli”.
• Testuj punktację AI, podsumowania kandydatów, rekomendacje, opinie z rozmów kwalifikacyjnych, analizę CV i doświadczenia związane z wyszukiwaniem wiedzy na podstawie danych wejściowych normalnych, kontradyktoryjnych i przypadków brzegowych.
• Twórz powtarzalne zbiory danych ewaluacyjnych i zestawy testowe, aby mierzyć jakość sztucznej inteligencji w czasie.
• Zweryfikuj zabezpieczenia, zachowania awaryjne, cytaty, wskaźniki zaufania, granice danych, ścieżki audytu i konfigurację specyficzną dla klienta.…
Źródło: Jobicy (https://jobicy.com/jobs/161171-qa-engineer-6)
Neuroscale AI tworzy platformę nowej generacji do rekrutacji i analizy talentów wykorzystującą sztuczną inteligencję, która pomaga organizacjom przekształcić zatrudnianie w wymierną, powtarzalną i inteligentną naukę. Nasza platforma ARBI obsługuje pozyskiwanie, selekcję, ocenę, sekwencjonowanie, planowanie, automatyzację przepływu pracy rekruterów i łatwą do wyjaśnienia ocenę kandydatów dla przedsiębiorstw komercyjnych, agencji sektora publicznego, szkolnictwa wyższego, organizacji kadrowych i zespołów zajmujących się rozwojem siły roboczej.
Neuroscale tworzy także Athenę, oparte na sztucznej inteligencji narzędzie do zapewniania gotowości zawodowej i pomocy kandydatom, które pomaga użytkownikom ulepszać CV, przygotowywać się do rozmów kwalifikacyjnych, otrzymywać informacje zwrotne oparte na rubrykach i kierować procesem poszukiwania pracy dzięki spersonalizowanemu wsparciu sztucznej inteligencji.
Jesteśmy szybko rozwijającym się startupem działającym na styku GenAI, technologii HR, operacji rekrutacyjnych, usług karier, automatyzacji przepływu pracy i wdrażania sztucznej inteligencji w przedsiębiorstwach. Ponieważ ARBI i Athena rozszerzają swoją działalność na różnych klientów, potrzebujemy starszego lidera ds. jakości, który może sprawić, że jakość produktu będzie mierzalna, zautomatyzowana, możliwa do audytu i budząca zaufanie.
Przegląd ról
Zatrudniamy starszego inżyniera ds. kontroli jakości / kierownika inżynierii jakości do własnego zapewnienia jakości, strategii testowania, walidacji produktów i gotowości do wydania w ARBI i Athena. Jest to praktyczne stanowisko kierownicze dla osoby, która potrafi dogłębnie testować, budować zautomatyzowane systemy jakości, weryfikować przepływy pracy AI, ulepszać praktyki jakości programistów i stać się centralnym organem odpowiedzialnym za jakość produktów.
Ta rola nie ogranicza się do wykonywania przypadków testowych. Przeprowadzisz audyt bieżącego środowiska kontroli jakości, zdefiniujesz strategię testowania, zbudujesz ramy regresji i automatyzacji, zweryfikujesz zachowanie sztucznej inteligencji, przeprowadzisz testy ciśnieniowe na krawędziach i uzyskasz pewność wydania potrzebną dla szybko rozwijającej się platformy SaaS.
Będziesz ściśle współpracować z inżynierami, produktem, projektantem, sukcesem klienta i założycielami, aby mieć pewność, że nowe funkcje, poprawki błędów, eksperymenty, integracje, przepływy danych i doświadczenia oparte na sztucznej inteligencji będą dostarczane z przejrzystością, niezawodnością, możliwością kontroli, dostępnością i zaufaniem użytkowników.
Co będziesz robić (kluczowe obowiązki)
1) Zbuduj strategię jakości i system operacyjny kontroli jakości
• Przeprowadź dogłębny audyt bieżącej konfiguracji kontroli jakości w ARBI, Athenie, przepływach frontendowych, usługach backendowych, interfejsach API, przepływach danych, integracjach, potokach AI i procesach wydawania.
• Zdefiniuj ogólnofirmową strategię zapewnienia jakości obejmującą krótkoterminową stabilizację, średnioterminową automatyzację i długoterminową dojrzałość inżynierii jakości.
• Zaprojektuj skalowalną architekturę testów, korzystając z zasad piramidy testowej, testów z przesunięciem w lewo, testów dymnych, testów regresyjnych, bramek wydania, testów eksploracyjnych i pokrycia opartego na ryzyku.
• Zdefiniuj jasne obowiązki w zakresie kontroli jakości pomiędzy programistami, kontrolą jakości, produktem, projektem, sukcesem klienta i właścicielami wersji.
• Ustal praktyczny rytm działania dotyczący jakości: plany testów, listy kontrolne wydania, selekcja defektów, definicje istotności, przepływy pracy związane z zatwierdzaniem i metryki jakości.
2) Własna kontrola jakości produktu dla ARBI i Athena
• Zweryfikuj wdrożenie pod kątem wymagań, projektów, kopii, kryteriów akceptacji, historii użytkowników i przepływów pracy specyficznych dla klienta.
• Testuj interfejs użytkownika, UX, logikę biznesową, responsywność, przypadki brzegowe, stany błędów, stany puste, stany ładowania, dostępność i komunikaty sprawdzające.
• Przed premierą wykonaj testy eksploracyjne, dymne, regresyjne i kandydujące do wydania.
• Sprawdzaj przepływy pracy rekruterów, w tym wyszukiwanie kandydatów, dopasowywanie, ocenianie, analizowanie CV, sekwencjonowanie zasięgu, planowanie, pulpity rekrutacyjne, profile kandydatów i przepływy pracy w stylu ATS/CRM.
• Weryfikuj przepływy pracy w systemie Athena, w tym wsparcie w zakresie CV, przygotowanie do rozmowy kwalifikacyjnej, opinie oparte na rubrykach, pomoc dla kandydatów, rekomendacje generowane przez sztuczną inteligencję i wskazówki dla użytkowników.
3) Buduj i modernizuj automatyzację testów
• Przejmij na własność zautomatyzowany interfejs, API, integrację i kompleksowe testy przy użyciu narzędzi Cypress, Playwright, Pytest, Postman/Newman lub równoważnych.
• Twórz niezawodne zautomatyzowane zestawy regresji dla krytycznych przepływów pracy ARBI i Athena, w tym uwierzytelnianie, uprawnienia, potoki kandydatów, analizy, powiadomienia, integracje i środowiska administracyjne.
• Głęboko integruj testy z potokami CI/CD, aby awarie były widoczne, możliwe do podjęcia i powiązane w celu uzyskania pewności.
• Popraw niezawodność testów, szybkość wykonywania, konfigurację danych, zarządzanie urządzeniami i łatwość konserwacji.
• Wprowadź praktyki testowania wspomaganego sztuczną inteligencją tam, gdzie jest to przydatne, zachowując przy tym jasny ludzki osąd i powtarzalne dowody z testów.
4) Sprawdź niezawodność backendu, API, danych i przepływu pracy
• Testuj niezawodne interfejsy API REST, usługi Python/FastAPI, logikę biznesową zaplecza, asynchroniczne przepływy pracy i potoki przetwarzania danych.
• Zweryfikuj PostgreSQL, Redis, OpenSearch, Celery, Temporal, usługi kontenerowe, potoki wdrożeniowe i środowiska hostowane przez AWS z punktu widzenia kontroli jakości.
• Twórz API i testy integracyjne dla importów, eksportów, webhooków, uprawnień, wyszukiwania, scoringu, danych kandydatów, konfiguracji specyficznej dla klienta i automatyzacji przepływu pracy.
• Testuj realistyczne zestawy danych na dużą skalę, aby odkryć problemy z wydajnością, opóźnieniami, trafnością wyszukiwania, integralnością danych i odpornością.
• Ustal podstawowe testy wydajności, obciążenia i niezawodności przy użyciu JMeter, k6, Locust lub podobnych narzędzi.
5) QA AI, LLM i przepływy pracy związane z oceną
• Weryfikuj przepływy pracy związane z rekrutacją wspomaganą sztuczną inteligencją pod kątem dokładności, spójności, wyjaśnialności, ryzyka halucynacji, ryzyka stronniczości, szybkiego przestrzegania zasad, dostosowania rubryk i zachowań typu „człowiek w pętli”.
• Testuj punktację AI, podsumowania kandydatów, rekomendacje, opinie z rozmów kwalifikacyjnych, analizę CV i doświadczenia związane z wyszukiwaniem wiedzy na podstawie danych wejściowych normalnych, kontradyktoryjnych i przypadków brzegowych.
• Twórz powtarzalne zbiory danych ewaluacyjnych i zestawy testowe, aby mierzyć jakość sztucznej inteligencji w czasie.
• Zweryfikuj zabezpieczenia, zachowania awaryjne, cytaty, wskaźniki zaufania, granice danych, ścieżki audytu i konfigurację specyficzną dla klienta.…
Źródło: Jobicy (https://jobicy.com/jobs/161171-qa-engineer-6)
To ogłoszenie pochodzi z feedu partnera. Aplikuj na stronie źródłowej.
Źródło: Neuroscale AI
Ogłoszenie pochodzi od Neuroscale AI.