Lead Machine Learning Engineer – LLMs – Ramboll Tech

Bei Ramboll Tech glauben wir, dass Innovation in vielfältigen, unterstützenden Umgebungen gedeiht, in denen jeder seine besten Ideen einbringen kann. Als Lead Machine Learning Engineer übernehmen Sie die Verantwortung für die Schaffung modernster KI-Lösungen, die unser Geschäft stärken, während Sie andere betreuen und eine Kultur der Zusammenarbeit und des Wachstums fördern.

Als Sparringspartner für Ihre Produktverantwortlichen und Ihren Chapter-Leiter gestalten Sie die technische Roadmap und tragen zur Umsetzung von Best Practices sowohl im Produktteam („Pod“) als auch im globalen Kapitel der ML-Ingenieure bei. Sie arbeiten mit den globalen Chapter-Leitern, Fachexperten und anderen ML-Ingenieuren zusammen, um wirkungsvolle KI-Lösungen zu liefern.

Was Sie tun werden:

• Technologische Führung: Definieren Sie architektonische Muster für skalierbare LLM-Pipelines, um robuste Versionierung, Überwachung und Einhaltung von Best Practices sicherzustellen.
• Integration externer Wissensdatenbanken und Abrufsysteme zur Erweiterung der LLM-Fähigkeiten vorantreiben.
• Forschung und Entwicklung: Effektive RAG-Architekturen und Technologien zur Organisation komplexer domänenspezifischer Daten (z.B. Vektordatenbanken, Wissensgraphen) und effektive Wissensextraktion erkunden.
• Benchmarking von modernen LLMs, Tuning, Anpassung und Training für Leistung und Kosteneffizienz.
• Aktuelle Trends wie Instruction Tuning, RLHF oder LoRA-Finetuning für die Anpassung an spezifische Domänen einbeziehen.
• Domänenspezifische Ontologien, Taxonomien und Stilrichtlinien in NLP-Workflows einbetten, um Modelle an einzigartige Geschäftskontexte anzupassen.
• Bewertung und Optimierung: Modelle auf Qualität, Latenz, Nachhaltigkeitsmetriken und Kosten analysieren und Verbesserungen zur Erzielung besserer Ergebnisse identifizieren und umsetzen.
• ML-Ops für Ihr Pod definieren und verantworten.
• Experimentation und kontinuierliche Verbesserung: Experimente zur Modellbewertung und -verbesserung entwickeln, die mit den sich entwickelnden Branchenstandards übereinstimmen.
• Best Practices: Skalierbare Codierungsstandards und Best Practices für wartbare und produktionsbereite Systeme etablieren.
• Teamunterstützung: ML-Ingenieure betreuen, um ihr persönliches Wachstum zu fördern.

Wie Sie in Ihrer Rolle erfolgreich sein werden:

Wir suchen jemanden, der begeistert ist, einen Einfluss zu haben und mit uns zu wachsen. Während nicht jeder alle aufgeführten Qualifikationen mitbringt, könnten Sie eine großartige Ergänzung sein, wenn Sie einige der folgenden Fähigkeiten mitbringen.

• Bildung: Bachelor- oder Masterabschluss in Informatik, Ingenieurwesen oder einem verwandten Bereich.
• Erfahrung: Mindestens 5 Jahre Erfahrung in der Implementierung von Machine Learning-Projekten; mindestens 2 Jahre in einer Senior- oder Führungsrolle; nachgewiesene Expertise in der Integration moderner LLMs in Produktionssysteme.
• Führungsfähigkeiten: Nachgewiesene Führung bei der erfolgreichen Durchführung technischer Projekte in agilen Umgebungen; starke Kommunikationsfähigkeiten zur Abstimmung technischer Lösungen mit Geschäftszielen; Fähigkeit, zu mentorieren und Innovation im Team zu fördern.
• Technologiefähigkeiten: Starke Expertise im Aufbau von Retrieval-Augmented Generation (RAG)-Architekturen und der Integration mit Vektor- und Graphdatenbanken; umfassende Erfahrung mit modernen Transformer-basierten LLMs (z.B. GPT-4, Claude, Gemini, Llama, Falcon, Mistral); nachgewiesene Fähigkeit zur Feinabstimmung und Optimierung von LLMs für Qualität, Latenz, Nachhaltigkeit und kosteneffiziente Leistung; fortgeschrittene Python-Kenntnisse und Expertise mit Frameworks wie PyTorch, TensorFlow, Hugging Face oder LangChain; Erfahrung mit Containerisierungstools (z.B. Docker, Kubernetes) und Workflow-Management-Tools (z.B. Azure ML Studio, MLFlow); praktische Erfahrung mit (vorzugsweise Azure) Cloud-Umgebungen für skalierbare KI-Bereitstellung, Überwachung und Optimierung; Dokumentenverarbeitung und Wissensextraktionstools; Erfahrung mit relationalen (SQL) und NoSQL-Datenbanken; Vertrautheit mit Plattformen wie Snowflake oder Databricks.