Head of MLOps

Über Enterpret

Enterpret ist an der Spitze von KI-nativen Anwendungen und erschließt die Kraft des Kundenfeedbacks für Unternehmen. Wir zentralisieren Feedback aus allen Kanälen und verwandeln es in umsetzbare Erkenntnisse, die kundenorientierte Entscheidungen für Teams bei den weltweit führenden Unternehmen wie Perplexity, Notion, Canva und Figma vorantreiben. Unterstützt von Investoren wie Kleiner Perkins und Peak XV definieren wir neu, wie Unternehmen die Stimme ihrer Kunden verstehen und darauf reagieren.

Über die Rolle

Als Head of MLOps bei Enterpret sind Sie verantwortlich dafür, wie LLM-Modelle feinabgestimmt werden, wie Prompts verwaltet werden, wie wir Evaluierungen durchführen, wie wir Kosten optimieren und wie wir Geschwindigkeit optimieren – sowohl in der Experimentierphase als auch in der Produktion. Dies ist eine grundlegende, verantwortungsvolle Rolle, in der Sie direkt mit den Teams von OpenAI und Anthropic sowie AWS zusammenarbeiten, um eine erstklassige ML-Infrastruktur aufzubauen. Sie arbeiten eng mit ML-Forschern, Backend-Entwicklern und Produktteams zusammen, um sicherzustellen, dass unsere KI-Systeme widerstandsfähig, sicher und kosteneffizient sind, während wir um das 10-fache wachsen. Zu den wichtigsten Erfolgskennzahlen gehören die Verbesserung der Geschwindigkeit von Experimenten, die Zeit bis zur Produktionsreife und die Qualität der Modelle. Sie berichten direkt an den CTO.

Was Sie tun werden

• Entwerfen und weiterentwickeln der ML-Plattform von Enterpret für das Training, die Bereitstellung und das Retraining unserer Encoder und LLM-Modelle unter Verwendung von AWS/Terraform/OpenAI/Anthropic.
• Erstellen von CI/CD-Pipelines, die auf ML zugeschnitten sind – einschließlich Modellversionierung, Tests, Canary-Releases, Rollbacks und kontrollierte Produktionsbereitstellungen.
• Bereitstellen und Verwalten von Modellsystemen für sowohl Echtzeiteinsätze (z. B. Tagging von Support-Tickets in Echtzeit) als auch Batch-Pipelines (z. B. Analyse historischer Produktfeedbacks).
• Einrichten von Beobachtbarkeit für Modellleistung und Datenabweichungen – unter Verwendung von Braintrust und benutzerdefinierten Warnungen, um Probleme zu erkennen, bevor sie die Kunden beeinträchtigen.
• Leiten von Vorfallreaktionen, Ursachenanalysen und Nachbesprechungen für ML-Systeme – Sicherstellen der Betriebszeit für Erkenntnisse, auf die Produktteams angewiesen sind, sowie Governance und Sicherheit.
• Verfolgen und Optimieren der Cloud-Nutzung für ML-Workflows, um die Modellbereitstellung kostenbewusst und an der Produktnutzung auszurichten.
• Implementieren von Governance und Sicherheit über den gesamten Stack – Verantwortung für IAM, Datenzugriff, Nachvollziehbarkeit und Modellverständlichkeit, wo erforderlich.
• Zusammenarbeiten mit ML- und Produktteams, um GenAI- und KI-Modelle zu produzieren, die unser Knowledge Graph und Adaptive Taxonomy Engine antreiben, und Probleme bei der Abfrage, dem Feintuning von Encoder-LLM und dem verstärkenden Lernen angehen.
• Bewerten von Tools für Modellregistrierung, Feature-Stores und Orchestrierung – und dort bauen, wo nötig, um den Feedbackzyklus schnell zu halten.
• Fördern von Best Practices in MLOps im gesamten Unternehmen – Mentoring von Ingenieuren und Setzen skalierbarer Grundlagen für die Zukunft.
• Als Coach für unser Team von Forschern fungieren, die in die Technik wechseln, und ihnen helfen, ihre Fähigkeiten selbst zu bedienen und diese Tools selbst zu bedienen, anstatt es selbst zu tun.

Was es braucht

• Mindestens 6 Jahre Erfahrung in MLOps und ML-Infrastruktur, idealerweise mit Erfahrung im Entwerfen, Bereitstellen und Skalieren von maschinellen Lernsystemen in schnelllebigen, produktgetriebenen Umgebungen wie Startups oder wachstumsstarken Unternehmen.
• Tiefe Expertise mit AWS (SageMaker, EC2, EKS, S3, IAM), Infrastruktur-als-Code (Terraform) und Container-Orchestrierung (Docker, Kubernetes).
• Starke Python-Kenntnisse, mit Bonuspunkten für Go, Bash oder Rust-Skripting, wo angemessen.
• Praktische Erfahrung mit CI/CD-Systemen wie GitHub Actions, ArgoCD oder Jenkins – insbesondere für die Bereitstellung von ML-Modellen.
• Nachgewiesene Fähigkeit, Produktions-ML-Systeme zu überwachen und aufrechtzuerhalten, einschließlich Modellabweichung, Latenz, Betriebszeit und Alarmierung.
• Komfort mit der Kostenoptimierung in der Cloud, Ressourcenbereitstellung und automatischem Skalieren für ML-intensive Umgebungen.
• Vertrautheit mit Modellserving-Stacks und Experimentierwerkzeugen (MLflow, Langsmith usw.).
• Bonus: Erfahrung mit GenAI-Workflows (LangChain, Vektor-Datenbanken, RAG), Feintuning von Encoder/LLM-Modellen, verstärkendem Lernen oder verantwortungsbewussten KI-Praktiken.
• Erfolgreiche Mentoring-Erfahrungen, Zusammenarbeit über Funktionen hinweg und vollständige Verantwortung für Systeme in der Produktion.
• Sie hassen wiederholte manuelle Arbeit und haben einen starken Antrieb, alles zu automatisieren.
• Beherrschung von KI-Coding-Agenten wie Claude und Cursor, um mehrere Male effektiver zu arbeiten als normal.

Warum Enterpret

• ML im Kern: Sie unterstützen nicht ML – Sie ermöglichen das Kernprodukt.
• Hoher Einfluss, frühe Verantwortung: Definieren Sie unsere MLOps-Grundlage, beeinflussen Sie den Weg jedes Modells zur Produktion und gestalten Sie, wie Produktteams Erkenntnisse erleben.
• Arbeiten Sie mit klugen Menschen: Arbeiten Sie mit Forschern, Ingenieuren und Produktentwicklern zusammen, die jede Woche komplexe Probleme lösen.
• Fokussierte, schnelle Umgebung: Kein schwerer Prozess – nur intelligente, prinzipientreue Entwickler, die hochwertige Infrastruktur bereitstellen.
• Vergütung + Kultur: Wettbewerbsfähiges Gehalt, bedeutendes Eigenkapital, umfassende Gesundheitsversorgung, großzügiger Urlaub und eine teamorientierte Kultur, die auf Vertrauen und Verantwortung basiert.

Chancengleichheit

Wir sind ein Arbeitgeber, der Chancengleichheit bietet. Wir stellen sicher, dass keiner unserer Mitarbeiter oder potenziellen Mitarbeiter aufgrund von Alter, Geschlecht, Behinderung, Familienstand, Hautfarbe, Rasse, Religion oder ethnischer Herkunft benachteiligt wird. Ebenso streben wir an, sicherzustellen, dass kein solcher Mitarbeiter durch Bedingungen der Beschäftigung benachteiligt wird, die nicht gerechtfertigt werden können.