ML Engineer, Agents & Reasoning

Dies ist eine praktische ML-Engineering-Rolle an der Spitze der agentischen KI für wissenschaftliche Entdeckungen. Sie werden Systeme entwickeln, die in realen Materialentdeckungs-Workflows planen, schlussfolgern und handeln – indem sie prädiktive Modelle in zuverlässige, operationale Entscheidungsagenten umwandeln, die direkt mit physikalischen Experimenten und Laborautomatisierung arbeiten. Sie sitzen an der Schnittstelle von KI-Forschung, Softwareengineering und Labortechnologie und integrieren Autonomie, Sicherheit und Beobachtbarkeit in End-to-End-Entdeckungs-Pipelines.

Das Unternehmen ist ein Seed-Stage-Deeptech-Startup, das im Bereich der KI-gesteuerten Materialbeschleunigung und Cleantech tätig ist, mit einem kleinen, aber hochqualifizierten Team und institutioneller Unterstützung. Dies ist eine vor Ort stattfindende Rolle in Berlin, Deutschland. Das Recht, in Deutschland ohne Arbeitgebervisum zu arbeiten, ist erforderlich.

Was Sie tun werden:

• Agentensysteme entwerfen und implementieren, die planen, schlussfolgern und in Materialentdeckungs-Workflows handeln, die Experimente, Simulationen und wissenschaftliche Datensätze umfassen.
• Entscheidungsfindungssysteme aufbauen, die nächste Aktionen unter Unsicherheit auswählen und kodieren, wann Autonomie handeln sollte und wann Menschen im Prozess bleiben sollten.
• Planungs-, Steuerungslogik und unsicherheitsbewusste Entscheidungsfindung implementieren, die auf physikalische Systeme und experimentelle Einschränkungen zugeschnitten sind.
• Betriebs-, Experimentier- und Sicherheitsvorgaben direkt in das Verhalten des Agenten kodieren; Stoppkriterien, Rückfallstrategien und Wiederherstellungsmechanismen definieren, um brüchiges Verhalten zu verhindern.
• Mit KI-Forschern zusammenarbeiten, um prädiktive Modelle in Agenten-Workflows einzubetten und Modellausgaben in ausführbare reale Aktionen zu übersetzen.
• Agenten mit Laborautomatisierung und Softwaresystemen integrieren, damit Entscheidungen in physische Ergebnisse übersetzt werden.
• Agenten mit Protokollierung, Überwachung und Diagnostik ausstatten, um Beobachtbarkeit sicherzustellen und das Debugging zu unterstützen.
• Bewertungsrahmen entwickeln, die die Entscheidungsqualität, die Lern-Effizienz und das Gesamtverhalten des Systems bewerten – über die Modellgenauigkeit hinaus.
• Fehlerfälle analysieren und das Systemdesign basierend auf realen Betriebsergebnissen iterieren.
• Systeme end-to-end besitzen: vom Prototyp über die Produktionsbereitstellung bis hin zum laufenden Betrieb.

Was wir suchen:

• 4–8 Jahre praktische Erfahrung im ML-Engineering, vorzugsweise mit autonomen Agenten oder Entscheidungsfindungssystemen in Produktions- oder angewandten Forschungsumgebungen.
• Nachgewiesene Erfahrung in der Gestaltung und Implementierung agentenbasierter Systeme für reale Workflows, einschließlich Planung, Aktionsauswahl unter Unsicherheit und definierten Stopp-/Rückfall-/Wiederherstellungslogiken.
• Starke Erfolgsbilanz bei der Bereitstellung produktionsreifer ML-Systeme mit Schwerpunkt auf Beobachtbarkeit, Protokollierung, Überwachung und Diagnostik.
• Erfahrung in der Integration von ML/AI-Modellen mit Laborautomatisierung, wissenschaftlicher Instrumentierung oder Hardware-/Software-Systemen.
• Kenntnisse in Python und mindestens einem großen ML-Framework (z. B. PyTorch, TensorFlow oder JAX) sowie starke Datenwerkzeugfähigkeiten (NumPy, SciPy usw.).
• Hintergrund in wissenschaftlicher oder strukturierter Datenmodellierung – eher als sprachmodellbasierte Systeme.
• Kenntnis von Sicherheitsvorgaben und sicherheitsbewussten Validierungspraktiken für autonome Entscheidungsfindung in physischen Umgebungen.
• Starke interdisziplinäre Kommunikationsfähigkeiten; komfortabel in der Zusammenarbeit mit KI-Forschern, Ingenieuren und Laborteams.
• Fließende Englischkenntnisse (zusätzliche Sprachkenntnisse sind von Vorteil).
• Recht, in Deutschland ohne Arbeitgeberunterstützung zu arbeiten – eine Visumsponsoring ist für diese Rolle nicht verfügbar.

Nice to Have:

• Erfahrung in Materialwissenschaften, Chemie oder angrenzenden physikalischen Wissenschaftsbereichen.
• Hintergrund in probabilistischer Schlussfolgerung, Bayesianischer Optimierung oder aktivem Lernen.
• Vertrautheit mit Reinforcement Learning, modellbasierter Planung oder Regelungstheorie.
• Zusätzliche europäische Sprachkenntnisse.

Dies ist eine Vollzeitstelle vor Ort in Berlin, Deutschland. Die Kandidaten müssen das Recht haben, in Deutschland zu arbeiten; eine Visumsponsoring wird nicht bereitgestellt.