Principal ML Platform Engineer

Synthesia ist die weltweit führende KI-Video-Plattform für Unternehmen, die von über 90 % der Fortune 100 genutzt wird. Das Unternehmen wurde 2017 gegründet und hat seinen Hauptsitz in London, mit Büros und Teams in ganz Europa und den USA.

Wir suchen einen Principal Engineer, der dem ML Platform-Team bei Synthesia beitritt. Unser Team baut und betreibt die Systeme, die es Forschern und Produktteams ermöglichen, generative Modelle zuverlässig und effizient zu trainieren, bereitzustellen und einzusetzen. Ein wachsender Teil unserer Mission besteht darin, diese Systeme automatisierungsfreundlicher und agentenorientierter zu gestalten, sodass Arbeitsabläufe zunehmend durch zuverlässige Werkzeuge anstelle manueller Anstrengungen betrieben werden können.

Wir suchen einen starken Generalisten mit einem Systemdenken: jemand, der sich wohlfühlt, wenn er über Infrastruktur, Backend-Systeme und Werkzeuge hinweg arbeitet und der ML-Systeme in der Praxis gesehen hat. Dies ist keine reine ML-Ingenieurrolle. Wir sind besonders an Personen interessiert, die tief über Zuverlässigkeit, Skalierbarkeit, Leistung und Ressourceneffizienz in komplexen Produktionsumgebungen nachdenken.

In dieser Rolle werden Sie:

• Die Plattform-Systeme entwerfen und verbessern, die das Modelltraining, die Evaluierung und die Produktionsbereitstellung unterstützen.
• Infrastruktur und Werkzeuge entwickeln, die ML-Arbeitslasten zuverlässiger, skalierbarer und kosteneffizienter machen.
• Interne Werkzeuge und Arbeitsabläufe entwickeln, die sowohl von Menschen als auch von Agenten einfach zu bedienen sind.
• An der Architektur arbeiten, wie Modelle in Forschungs- und Produktumgebungen bereitgestellt, bedient und betrieben werden.
• Verbesserungen bei der Planung, Überwachung und Fehlersuche von Arbeitslasten, die auf GPUs und Cloud-Infrastruktur laufen, vorantreiben.
• Interne Werkzeuge und Abstraktionen sowie agentische Systeme entwickeln, die den operativen Aufwand für Forscher und Ingenieure reduzieren.
• Verbesserungen in den Bereichen Beobachtbarkeit, Automatisierung, Zuverlässigkeit und Entwicklererfahrung vorantreiben.
• Eng mit Forschern und Produktingenieuren zusammenarbeiten, um Schmerzpunkte zu verstehen und in robuste Plattformfähigkeiten umzuwandeln.
• Zur technischen Richtung beitragen und pragmatische architektonische Kompromisse eingehen, während die Plattform wächst.

Sie werden in dieser Rolle erfolgreich sein, wenn Sie:

• Starke Erfahrung im Aufbau oder Betrieb von Produktionssystemen mit Fokus auf Zuverlässigkeit, Skalierbarkeit und Wartbarkeit haben.
• Ein Systemdenken besitzen: Sie denken natürlich in Bezug auf Engpässe, Fehlermodi, Schnittstellen, Ressourcennutzung und langfristige Betriebsfähigkeit.
• Solide praktische Erfahrung mit Cloud-Infrastruktur, Linux und Infrastrukturautomatisierung haben.
• Erfahrung mit Kubernetes und dem Betrieb verteilter Arbeitslasten in der Produktion haben.
• Starke Programmierkenntnisse, idealerweise in Python oder ähnlichen Sprachen, die für Backend-Systeme und Werkzeuge verwendet werden.
• Gutes Urteilsvermögen darüber haben, wo Automatisierung Hebelwirkung hinzufügt und wo menschliche Kontrolle und Zuverlässigkeit am wichtigsten sind.
• Erfahrung im Aufbau interner Plattformen, Entwicklerwerkzeuge oder Infrastrukturabstraktionen haben, die von anderen Ingenieuren genutzt werden.
• Komfortabel in unklaren Umgebungen arbeiten und Verantwortung für offene technische Probleme übernehmen können.
• Eine pragmatische Herangehensweise haben: Ihnen liegt daran, das richtige Problem gut zu lösen, nicht übermäßig zu konstruieren.

Besonders relevante Erfahrungen:

• Betrieb von ML-Infrastruktur oder Modellsystemen in der Produktion.
• Unterstützung von forschungs- oder dateninintensiven Arbeitslasten.
• Arbeiten mit GPU-basierten Systemen oder anderer leistungsintensiver Infrastruktur.
• Erfahrung mit Beobachtbarkeit und Fehlersuche in verteilten Systemen.
• Vertrautheit mit Terraform, Datadog, GitHub Actions oder ähnlichen Werkzeugen.

Bonuspunkte für:

• Erfahrung im Aufbau agentischer oder LLM-gesteuerter interner Werkzeuge.
• Erfahrung mit Workflow-Orchestrierungssystemen wie Temporal.
• Erfahrung an der Schnittstelle zwischen Forschung und Produktionstechnik.
• Vertrautheit mit Leistungsoptimierung, Planung oder Ressourcenallokationsproblemen.
• Erfahrung im Aufbau leichter Produkte oder entwicklerorientierter Werkzeuge.