Finde einen Job 
Finde eine Ausbildung 
Top Arbeitgeber 
Top Universitäten 
Für Unternehmen Auf einen Blick
- Aufgaben: Entwickle und verwalte robuste ML-Pipelines und Infrastruktur für reale Geschäftsanforderungen.
- Arbeitgeber: Wir sind ein innovatives Unternehmen, das sich auf maschinelles Lernen und KI spezialisiert hat.
- Mitarbeitervorteile: Genieße flexible Remote-Arbeit und spannende Unternehmensvorteile.
- Warum dieser Job: Arbeite an zukunftsweisenden Projekten und forme die Zukunft der Technologie mit einem dynamischen Team.
- Gewünschte Qualifikationen: Mindestens 5 Jahre Erfahrung in Machine Learning Engineering oder MLOps erforderlich.
- Andere Informationen: Erfahrung mit Cloud-Plattformen wie AWS, GCP oder Azure ist von Vorteil.
Das voraussichtliche Gehalt liegt zwischen 43200 - 84000 € pro Jahr.
Wir suchen nach hochqualifizierten Machine Learning Engineers mit tiefgreifender Expertise in MLOps, Modellbereitstellung und produktionsreifen Machine Learning-Systemen. In dieser Rolle überbrücken Sie die Lücke zwischen Data Science und Engineering, um robuste, skalierbare ML-Pipelines und -Infrastrukturen zu erstellen, die echten Geschäftswert liefern.
Sie werden mit Data Scientists, Software Engineers und DevOps zusammenarbeiten, um sicherzustellen, dass Modelle reibungslos von der Experimentierung in die Produktion übergehen und zuverlässig im großen Maßstab betrieben werden.
Hauptverantwortlichkeiten:- Entwerfen, bauen und warten Sie End-to-End-Machine-Learning-Pipelines, von der Datenaufnahme bis zur Modellbereitstellung und -überwachung.
- Entwickeln und verwalten Sie CI/CD-Pipelines für das Training, Testen und Bereitstellen von ML-Modellen (z. B. GitHub Actions, Jenkins).
- Implementieren Sie Modellbereitstellung und Orchestrierung mit Tools wie MLflow, Kubeflow, Airflow, Docker, Kubernetes oder Triton.
- Integrieren Sie Feature Stores (z. B. Feast, Tecton), um Features konsistent zu verwalten und bereitzustellen.
- Überwachen Sie bereitgestellte Modelle auf Drift, Leistungsabfall und betriebliche Probleme mit Tools wie Prometheus, Grafana, Seldon oder Evidently AI.
- Eng mit Data Engineers und Data Scientists zusammenarbeiten, um die Datenqualität und Zuverlässigkeit der Pipeline sicherzustellen.
- Optimieren Sie die Modellinferenzleistung hinsichtlich Latenz, Durchsatz und Kosten in Produktionsumgebungen.
- Dokumentation, Reproduzierbarkeit und Versionskontrolle von Datensätzen, Modellen und Pipelines aufrechterhalten.
- 5+ Jahre Erfahrung in der Machine Learning-Engineering oder MLOps-Rollen.
- Starker Hintergrund in der Softwareentwicklung (z. B. Python, Bash, REST APIs, Containerisierung).
- Erfahrung mit MLOps-Tools und -Praktiken, einschließlich:
- CI/CD: GitHub Actions, GitLab CI/CD, Jenkins
- Modellbereitstellung: TensorFlow Serving, TorchServe, Triton
- Pipelines: Kubeflow, Airflow, MLflow
- Orchestrierung & Infrastruktur: Docker, Kubernetes, Terraform
- Überwachung: Prometheus, Grafana, Seldon Core, Evidently AI
- Feature Stores: Feast, Tecton
- Erfahrung mit Echtzeitinferenz und Streaming-Systemen (z. B. Kafka, Spark, Flink).
- Vertrautheit mit Modellgovernance, Auditierbarkeit und verantwortungsbewussten KI-Praktiken.
- Exposition gegenüber großen Sprachmodellen (LLMs), Vektordatenbanken und retrieval-augmented generation (RAG) Pipelines.
Kontaktperson:
Annapurna HR Team
StudySmarter Bewerbungstipps 🤫
So bekommst du den Job: Machine Learning Engineer
✨Netzwerk aufbauen
Nutze Plattformen wie LinkedIn, um mit anderen Machine Learning Engineers und Fachleuten aus der Branche in Kontakt zu treten. Vernetze dich aktiv und teile deine Erfahrungen, um sichtbar zu werden und potenzielle Empfehlungen zu erhalten.
✨Projekte präsentieren
Erstelle ein Portfolio mit Projekten, die deine Fähigkeiten in MLOps und Infrastruktur zeigen. Zeige konkrete Beispiele für ML-Pipelines, die du entwickelt hast, und erkläre, wie sie echten Geschäftswert geliefert haben.
✨Technische Communities beitreten
Engagiere dich in technischen Communities oder Foren, die sich auf MLOps und Machine Learning konzentrieren. Dort kannst du Fragen stellen, Antworten geben und dein Wissen erweitern, was dir helfen kann, bei Vorstellungsgesprächen zu glänzen.
✨Aktuelle Trends verfolgen
Halte dich über die neuesten Trends und Technologien im Bereich Machine Learning und MLOps auf dem Laufenden. Das zeigt nicht nur dein Interesse, sondern hilft dir auch, relevante Gespräche während des Bewerbungsprozesses zu führen.
Diese Fähigkeiten machen dich zur top Bewerber*in für die Stelle: Machine Learning Engineer
Tipps für deine Bewerbung 🫡
Verstehe die Anforderungen: Lies die Stellenbeschreibung sorgfältig durch und achte auf die spezifischen Fähigkeiten und Erfahrungen, die für die Rolle des Machine Learning Engineers erforderlich sind. Stelle sicher, dass du diese Punkte in deiner Bewerbung ansprichst.
Hebe relevante Erfahrungen hervor: Betone in deinem Lebenslauf und Anschreiben deine Erfahrungen mit MLOps, CI/CD-Pipelines und den genannten Tools wie Docker, Kubernetes oder MLflow. Verwende konkrete Beispiele, um deine Fähigkeiten zu demonstrieren.
Motivationsschreiben: Verfasse ein überzeugendes Motivationsschreiben, in dem du erklärst, warum du dich für diese Position interessierst und wie deine Fähigkeiten und Erfahrungen zur Erreichung der Unternehmensziele beitragen können.
Dokumentation und Nachweise: Stelle sicher, dass du alle erforderlichen Dokumente, wie deinen Lebenslauf, dein Motivationsschreiben und eventuell weitere Nachweise über deine Qualifikationen, in einem klaren und professionellen Format bereitstellst.
Wie du dich auf ein Vorstellungsgespräch bei Annapurna vorbereitest
✨Verstehe die MLOps-Prinzipien
Stelle sicher, dass du die Grundlagen von MLOps und den gesamten Lebenszyklus von Machine Learning Modellen verstehst. Sei bereit, spezifische Beispiele aus deiner Erfahrung zu teilen, wie du Modelle erfolgreich in Produktionsumgebungen implementiert hast.
✨Kenntnisse über CI/CD-Pipelines demonstrieren
Bereite dich darauf vor, deine Erfahrungen mit CI/CD-Tools wie GitHub Actions oder Jenkins zu erläutern. Zeige, wie du diese Tools genutzt hast, um den Prozess der Modellbereitstellung zu optimieren und welche Herausforderungen du dabei überwunden hast.
✨Technische Fähigkeiten hervorheben
Sei bereit, deine Programmierkenntnisse in Python oder Bash zu demonstrieren. Du könntest gebeten werden, technische Probleme zu lösen oder Code-Snippets zu analysieren, also übe dies im Voraus.
✨Zusammenarbeit betonen
Hebe deine Fähigkeit hervor, effektiv mit Data Scientists und Software Engineers zusammenzuarbeiten. Bereite Beispiele vor, in denen du interdisziplinär gearbeitet hast, um komplexe Probleme zu lösen und robuste ML-Pipelines zu erstellen.
