Auf einen Blick
- Aufgaben: Entwickle und implementiere innovative KI-Lösungen für unsere Plattform.
- Unternehmen: Führendes Unternehmen im Bereich KI mit einem kreativen und dynamischen Team.
- Vorteile: Attraktives Gehalt, flexible Arbeitszeiten und Möglichkeiten zur beruflichen Weiterentwicklung.
- Weitere Informationen: Wachstumsorientierte Umgebung mit vielen Lernmöglichkeiten.
- Warum dieser Job: Gestalte die Zukunft der KI und arbeite an spannenden Projekten mit direktem Einfluss.
- Qualifikationen: Mindestens 3 Jahre Erfahrung in AI/ML und Kenntnisse in Wissensgraphen.
Das prognostizierte Gehalt liegt zwischen 60000 - 80000 € pro Jahr.
Als Senior AI Engineer sind Sie verantwortlich für die KI- und Datenebene der Plattform. Sie entwerfen und implementieren die Architektur des Wissensgraphen, bauen agentische Pipelines, die Entitätsdaten durch KI-Webrecherche anreichern, und entwickeln die Abfrageschicht des Graphen, die natürliche Sprachfragen zur Compliance in strukturierte Graphabfragen übersetzt. Sie arbeiten eng mit dem CTO und einem kleinen AI-Team, einschließlich eines Dateningenieurs und eines Junior AI Engineers, zusammen. Sie haben erhebliche technische Autonomie und direkten Einfluss darauf, wie sich das Produkt entwickelt.
Was Sie bearbeiten werden:
- Architektur und Implementierung des Wissensgraphen
- Eigentum und Weiterentwicklung des Datenmodells des Wissensgraphen der Plattform — Entitäten (Unternehmen, Person, Gemeinschaft, episodisch), Beziehungen und zeitliche Attribute
- Implementierung und Erweiterung benutzerdefinierter Entitäts- und Beziehungsextraktionspipelines unter Verwendung von LMs, mit strukturierter Ausgabevalidierung und Vertrauensbewertung
- Verwendung von Graphiti (Zep AIs temporales Wissensgraph-Framework) als Speicherschicht, Verwaltung der Episodeneingabe, Entitätsauflösung und Graphaktualisierungen
- Entwurf und Durchsetzung von Standards für das Graphschema, um Konsistenz über Datenquellen und Eingabepipelines hinweg sicherzustellen
- Aufbau von Bewertungsrahmen zur Messung der Extraktionsqualität, Genauigkeit der Entitätsdisambiguierung und Abdeckung des Graphen
- Agentische AI-Pipelines
- Entwurf und Implementierung mehrstufiger agentischer Workflows, die LLM-Aufrufe, Websuche, Datenbankabfragen und Graphschreibvorgänge orchestrieren
- Integration von KI-Websuche (Tavily, Perplexity oder ähnlich) als Werkzeug innerhalb agentischer Pipelines zur Echtzeitanreicherung von Entitäten
- Aufbau von retrieval-augmented generation (RAG)-Pipelines über den Wissensgraphen, die Compliance-Anfragen in Cypher und natürliche Sprachantworten übersetzen
- Implementierung der Abfrageschicht des Graphen — eine konversationelle Schnittstelle für Compliance-Analysten, um den Wissensgraphen abzufragen, ohne Cypher schreiben zu müssen
- Verwaltung von LLM-API-Integrationen (Anthropic Claude, Gemini), einschließlich Prompt-Engineering, strukturierte Ausgaben und Kosten-/Latenzoptimierung
- Datenpipelines und Integrationen
- Aufbau und Wartung von Python-basierten Datenaufnahme-Pipelines, die von Databricks lesen, sich mit externen APIs (Sanktionslisten, Unternehmensregister, Polixis, Vantage) verbinden und in Neo4j schreiben
- Implementierung von NER (Named Entity Recognition) und Logik zur Entitätsdisambiguierung zur Extraktion strukturierter Fakten aus unstrukturierten Compliance-Dokumenten
- Entwicklung von Themenmodellierungs-Pipelines zur Klassifizierung extrahierter Fakten als Attribute von Wissensgraphbeziehungen
- Integration mit dem .NET-Backend über gut definierte HTTP-Verträge, um sicherzustellen, dass die KI-Schicht unabhängig bereitstellbar und testbar ist
- Forschung und technische Führung
- Aktuell bleiben mit der sich schnell entwickelnden Literatur zu agentischer KI und Wissensgraphen — neue Frameworks, Modelle und Techniken auf Produktionsanwendbarkeit bewerten
- Beitrag zu architektonischen Entscheidungen mit Beweisen: Benchmarks, Prototypen und dokumentierte Abwägungen
- Pflege von Claude-Code-Kontextdateien (CLAUDE.md, SKILLS.md) für die KI-Codebasis, um KI-unterstützte Entwicklung im gesamten Team zu ermöglichen
- Schreiben klarer technischer Dokumentation in Notion, die Designentscheidungen, Datenmodelle und betriebliche Handbücher abdeckt.
Was wir suchen:
- Must-have: 3+ Jahre Berufserfahrung in der AI/ML-Entwicklung, davon mindestens 1 Jahr Erfahrung mit Wissensgraphen oder graphbasierten Datensystemen in der Produktion
- Praktische Erfahrung mit Neo4j — Datenmodellierung, Cypher-Abfrageerstellung, Schema-Design und Leistungsoptimierung
- Tiefe Vertrautheit mit LLM-APIs (OpenAI, Anthropic oder Gemini) — Prompt-Engineering, strukturierte Ausgaben, Funktions-/Toolaufrufe und Kostenmanagement
- Verständnis der Abwägungen zwischen LLMs und kleineren feinabgestimmten Modellen (Hugging Face Transformers, sentence-transformers) — wissen, wann ein speziell entwickeltes Modell ein allgemeines Modell hinsichtlich Kosten, Latenz und Genauigkeit übertrifft
- Erfahrung im Aufbau agentischer Pipelines — mehrstufige LLM-Workflows mit Werkzeugnutzung, Speicher- und Zustandsverwaltung
- Python-Kenntnisse — Sie schreiben sauberen, testbaren Python-Code und verstehen asynchrone Muster für I/O-gebundene AI-Arbeitslasten
- Erfahrung mit RAG-Architekturen — Vektorsuche, hybride Abrufmethoden und Integration von Abruf in LLM-gestützte Anwendungen
- Fähigkeit, AI-Forschungspapiere zu lesen und anzuwenden — Sie können ein Papier über narrative Extraktion oder Entitätsdisambiguierung nehmen und es in einen funktionierenden Prototyp umsetzen
- Starke Englischkenntnisse — schriftlich und mündlich
Starker Vorteil:
- Direkte Erfahrung oder Kenntnisse mit Graphiti (Zep AI) oder anderen temporalen Wissensgraph-Frameworks
- Vertrautheit mit Techniken zur Entitätsauflösung und -disambiguierung im großen Maßstab
- Erfahrung mit NER-Pipelines, Themenmodellierung oder Informationsbeschaffung aus Compliance- oder Finanzdokumenten
- Kenntnisse im Bereich Drittrisiko, Sanktionsprüfung oder KYC/AML
- Erfahrung mit Databricks, Delta Lake oder ähnlichen Data-Lakehouse-Plattformen
- Einblick in GCP (Vertex AI, Cloud Run, Pub/Sub, Cloud Storage)
- Erfahrung im Entwurf von Bewertungsrahmen für LLM-generierte strukturierte Ausgaben
- Frühere Arbeit in einer RegTech-, FinTech- oder compliance-nahen Umgebung
Was in dieser Rolle gut aussieht:
Wir sind direkt in dem, was wir erwarten. Die Person, die hier gedeiht, wird:
- Das Datenmodell des Wissensgraphen als das wichtigste Artefakt des Produkts betrachten — sie denken sorgfältig über Schemaentscheidungen nach und dokumentieren diese
- Die Literatur lesen. Bei der Bewertung eines neuen Ansatzes zur Entitätsdisambiguierung oder Graphenspeicher überprüfen sie, was veröffentlicht wurde, nicht nur, was auf GitHub steht
- Bewertungsrahmen erstellen, bevor sie Pipelines skalieren. Sie wissen, dass eine Pipeline, die plausibel aussehende Ausgaben produziert, nicht dasselbe ist wie eine, die korrekte Ausgaben produziert
- Blockaden und Abwägungen frühzeitig kommunizieren. Technische Unsicherheit ist zu erwarten — Stille ist nicht akzeptabel.
Senior AI Engineer Arbeitgeber: Control Risks
Als Arbeitgeber bieten wir Ihnen die Möglichkeit, in einem dynamischen und innovativen Umfeld zu arbeiten, das sich auf die Entwicklung fortschrittlicher KI-Lösungen konzentriert. Unsere Unternehmenskultur fördert Kreativität und Zusammenarbeit, während wir gleichzeitig individuelle Wachstumschancen durch technische Autonomie und direkte Einflussnahme auf die Produktentwicklung bieten. Darüber hinaus profitieren Sie von einem flexiblen Arbeitsumfeld und der Möglichkeit, an spannenden Projekten im Bereich der Wissensgraphen zu arbeiten, was Ihre Karriere in der KI-Branche erheblich voranbringen kann.
StudySmarter Expertenrat🤫
Wir sind der Meinung, dass Sie so Senior AI Engineer erhalten könnten
✨Wende dich an die richtigen Communities
Schau dir Online-Communities und Foren an, die sich um Data Science drehen, wie Kaggle oder GitHub. Engagiere dich dort aktiv, teile deine Projekte und lerne von anderen – das wird dir helfen, nicht nur einen Fuß in die Tür zu bekommen, sondern auch wertvolle Kontakte zu knüpfen.
✨Präsentiere deine Daten-Projekte
Baue ein Portfolio auf, das deine besten Projekte zeigt. Nutze Plattformen wie GitHub oder eine persönliche Webseite, um deine Arbeiten zu veröffentlichen. Arbeitgeber im Data Science-Bereich schauen oft direkt auf praktische Erfahrungen, also zeig, was du drauf hast!
✨Nimm an Meetups und Hackathons teil
Besuche lokale Data Science-Meetups oder nehme an Hackathons teil. Diese Veranstaltungen sind nicht nur super, um dein Wissen zu erweitern, sondern auch Gold wert für Networking. Du lernst Fachkollegen kennen und kannst auf Lockere Art und Weise Eventualjobs ergattern.
✨Direkte Bewerbungen über unsere Seite
Vergiss nicht, direkt auf unserer Website nach Stellenangeboten bei Control Risks zu schauen. Hier kannst du dich auf offene Datenwissenschaftsstellen bewerben und zeigst damit direktes Interesse, das viele Arbeitgeber schätzen!
Wir glauben, dass du diese Fähigkeiten brauchst, um Senior AI Engineer mit Bravour zu bestehen
Einige Tipps für deine Bewerbung 🫡
Lass deine Daten sprechen!:In einem Bereich wie Data Science ist es entscheidend, dass du deine praktischen Fähigkeiten präsentierst. Wenn du an Projekten gearbeitet hast, die deine Analysefähigkeiten oder dein Wissen über Machine Learning demonstrieren, teile sie in deinem Lebenslauf oder füge einen Link zu deinem GitHub-Portfolio bei. Die Daten, die du analysiert hast, und die Tools, die du verwendest, sollten klar hervorgehoben werden.
Ergebnisse quantifizieren!:Unterstütze deine Erfahrung mit quantifizierbaren Ergebnissen. Zeige, wie du durch deine Analysen oder Modelle zur Entscheidungsfindung beigetragen hast oder wie deine Berechnungen den Rohdaten neue Erkenntnisse entlockt haben. Arbeitgeber in der Data Science sind oft an konkreten Verbesserungen und Effizienzsteigerungen interessiert!
Erläutere deine Lernbereitschaft!:Da es sich um eine Vollzeitstelle handelt, zeige in deinem Anschreiben, dass du bereit bist, zu lernen und dich weiterzuentwickeln. Sprich über deine Neugier für neue Technologien oder Methoden im Data Science Bereich. Vielleicht hast du auch Kurse besucht oder Zertifikate erworben, die deine Begeisterung zeigen!
Die richtige technische Sprache!:Achte darauf, dass deine Bewerbung alle relevanten technischen Begriffe enthält, die in der Data Science gebräuchlich sind. Nenne spezifische Programmier- und Analysetools wie Python, R oder SQL, die du beherrschst. Dies macht es für die Rekrutierer einfacher, schnell zu erkennen, dass du für die Rolle als Senior AI Engineer bei Control Risks gut geeignet bist.
Wie man sich auf ein Vorstellungsgespräch bei Control Risks vorbereitet
✨Bereite deine technischen Skills vor
In einem Vorstellungsgespräch für eine Data-Science-Position wird oft dein Wissen über Tools wie Python, R oder SQL getestet. Mach dich mit gängigen Algorithmen und deren Einsatzmöglichkeiten vertraut, denn technische Fragen können schnell kommen. Lass uns sicherstellen, dass du in diesen Bereichen glänzt!
✨Verschaffe dir einen Überblick über Projekte
Da es sich um eine Vollzeitstelle handelt, ist es wichtig, dass du konkrete Erfahrungen und Projekte vorweisen kannst. Wenn du bereits an Data-Science-Projekten gearbeitet hast, sei bereit, diese in der Tiefe zu erläutern und zu diskutieren, wie du die Probleme gelöst hast. Dein Portfolio kann hier einen echten Unterschied machen!
✨Vorbereitung auf case studies
In Data-Science-Interviews sind case studies und praktische Probleme häufig Teil des Gesprächs. Übe, wie du strukturiert und logisch an solche Aufgaben herangehst. Arbeitgeber möchten sehen, wie du Daten analysierst und Lösungen entwickelst – bring also deine analytischen Fähigkeiten mit!
✨Zeige deine Leidenschaft für Daten
Mehr denn je geht es bei einer Vollzeitstelle darum, dass du nicht nur die Skills hast, sondern auch wirklich für das Feld brennst. Teile Anekdoten oder Erfahrungen, die zeigen, wie du zur Datenwissenschaft gekommen bist und was dich fasziniert. Diese Begeisterung kann für Control Risks entscheidend sein!
