Senior Machine Learning Engineer, LLM Inference Optimization in Zürich

Senior Machine Learning Engineer, LLM Inference Optimization in Zürich

Zürich Vollzeit 49500 - 60500 € / Jahr (geschätzt) Hybrid
F

Auf einen Blick

  • Aufgaben: Optimiere KI-Modelle und arbeite an innovativen Projekten in einem dynamischen Team.
  • Unternehmen: Nebius, ein führendes Unternehmen im Bereich Cloud-Infrastruktur für KI.
  • Vorteile: Wettbewerbsfähige Vergütung, Karrierechancen und flexible Arbeitsbedingungen.
  • Weitere Informationen: Internationales Umfeld mit talentierten Teams und kreativer Kultur.
  • Warum dieser Job: Gestalte die Zukunft der KI mit und mache einen echten Unterschied.
  • Qualifikationen: Erfahrung in Python, PyTorch und Optimierung von KI-Modellen erforderlich.

Das prognostizierte Gehalt liegt zwischen 49500 - 60500 € pro Jahr.

About Nebius

Nebius is leading a new era in cloud infrastructure for the global AI economy.

We are building a full-stack AI cloud platform that supports developers and enterprises from data and model training through to production deployment, without the cost and complexity of building large in-house AI/ML infrastructure.

Built by engineers, for engineers. From large-scale GPU orchestration to inference optimization, we own the hard problems across compute, storage, networking and applied AI.

Listed on Nasdaq (NBIS) and headquartered in Amsterdam, we have a global footprint with R&D hubs across Europe, the UK, North America and Israel.

Our team of 1,500+ includes hundreds of engineers with deep expertise across hardware, software and AI R&D.

The role

As a Senior Machine Learning Engineer on the Applied AI team at Nebius Token Factory, you will own model and endpoint optimization from model artifacts through production deployment.

Your work will span model internals, quantization and model compression, speculative decoding, KV-cache optimization, inference engines, serving architecture, and benchmarking to improve latency, throughput, memory efficiency, GPU utilization, and cost per token while preserving quality and reliability.

You will work with kernel and platform engineers to investigate serving problems, compare configurations, and resolve performance and quality regressions.

You will evaluate model- and engine-level optimizations together with distributed inference designs, including request routing, scheduling, prefill/decode coordination, and multi-node GPU execution.

Your improvements will be validated through reproducible benchmarks and safe production rollouts under real-world workloads.

  • Your responsibilities
  • Own optimization projects for specific model families, customer endpoints, or serving backends.
  • Compare inference engines and recommend serving configurations suited to individual workloads.
  • Diagnose model-quality and performance regressions during production rollouts.
  • Improve LLM and VLM endpoint latency, throughput, memory efficiency, GPU utilization, quality, and cost per token.
  • Deploy, configure, benchmark, and extend engines such as v LLM, SGLang, Tensor RT-LLM, Triton Inference Server, and NVIDIA Dynamo.
  • Develop production model-compression workflows covering quantization, quantization-aware training, distillation, low-bit serving, and accuracy recovery.
  • Implement or integrate speculative decoding, draft-model approaches, KV-cache optimization, prefix caching, chunked prefill, continuous batching, and disaggregated prefill/decode serving.

For prefill–decode disaggregation (PDD), evaluate KV-cache transfer, worker placement, and capacity balancing to determine which workloads benefit from the architecture.

  • Design and improve LLM request routers and scheduling policies that balance worker utilization, queueing, request characteristics, and KV-cache locality while meeting latency and reliability targets.
  • Scale dense and mixture-of-experts inference across multiple GPU nodes.

Select and tune tensor, pipeline, data, and expert parallelism—including wide expert parallelism (Wide EP)—with attention to hardware topology, expert load balance, and communication overhead.

  • Build reproducible benchmark harnesses measuring TTFT, TPOT, tokens per second per GPU, p95/p99 latency, GPU memory, reliability, and cost per token.

Validate architecture choices under representative traffic and consistent GPU budgets.

  • Collaborate with GPU kernel and platform engineers to trace bottlenecks across model code, kernels, runtime, scheduler, gateway, and cluster layers.
  • Produce design documents, performance reports, rollout plans, and customer-facing technical explanations.
  • Must-haves
  • Strong engineering skills in Python and Py Torch.
  • Hands‑on experience deploying or optimizing LLM, VLM, or high‑throughput transformer inference.
  • Practical knowledge of at least one modern inference stack, such as v LLM, SGLang, Tensor RT-LLM, Triton Inference Server, NVIDIA Dynamo, Ray Serve, KServe, or an equivalent internal system.
  • A strong understanding of transformer inference bottlenecks involving KV cache, attention, memory bandwidth, batching, parallelism, and long‑context serving.
  • Ability to quantify trade‑offs among latency, throughput, quality, utilization, and cost.
  • Experience designing or optimizing distributed inference system architecture, with hands‑on work in one or more areas such as request routing, distributed scheduling, PDD, multi‑node inference, or expert parallelism.
  • Strong communication and collaboration skills across research, kernel, infrastructure, product, and customer teams.
  • Nice‑to‑haves
  • Experience with quantization‑aware training, post‑training quantization, FP8, INT8, INT4, NVFP4, MXFP4, AWQ, GPTQ, or Smooth Quant.
  • Experience with distillation, speculative decoding, EAGLE, Medusa, multi‑token prediction, or related inference acceleration methods.
  • Experience supporting agentic workloads involving tool calling, structured outputs, streaming APIs, high concurrency, and multi‑step orchestration.
  • Familiarity with CUDA or Triton; the role does not require kernel engineering to be the candidate’s primary specialization.
  • Contributions to open‑source projects such as v LLM, SGLang, Tensor RT-LLM, Flash Infer, LMCache, Py Torch, Triton, Ray, or KServe.
  • Implementation experience with cache‑aware request routing, PDD, or Wide EP, including diagnosing communication bottlenecks and load imbalance.
  • Familiarity with GPU communication libraries and interconnects, such as NCCL, NVLink, Infini Band, or Ro CE.

Benefits & Perks

  • Competitive compensation
  • Career growth and learning opportunities
  • Flexibility and ownership
  • Collaborative and innovative culture
  • Opportunity to work on impactful AI projects
  • International environment and talented teams
  • What's it like to work at Nebius

Fast moving - Bold thinking - Constant growth - Meaningful impact - Trust and real ownership - Opportunity to shape the future of AI

Equal Opportunity Statement

Nebius is an equal opportunity employer.

We are committed to fostering an inclusive and diverse workplace and to providing equal employment opportunities in all aspects of employment.

We do not discriminate on the basis of race, color, religion, sex (including pregnancy), national origin, ancestry, age, disability, genetic information, marital status, veteran status, sexual orientation, gender identity or expression, or any other characteristic protected by applicable law.

Applicants must be authorized to work in the country in which they apply and will be required to provide proof of employment eligibility as a condition of hire.

If you need accommodations during the application process, please let us know.

Senior Machine Learning Engineer, LLM Inference Optimization in Zürich Arbeitgeber: FDE Times

Databricks ist ein hervorragender Arbeitgeber, der seinen Mitarbeitern die Möglichkeit bietet, an der Spitze von Daten- und KI-Technologien zu arbeiten. Mit einem starken Fokus auf Vielfalt und Inklusion fördert das Unternehmen eine Kultur, in der jeder Mitarbeiter wachsen und sich weiterentwickeln kann. Die umfassenden Benefits und die Chance, an bedeutenden Projekten mit namhaften Kunden zu arbeiten, machen Databricks zu einem attraktiven Arbeitsplatz für innovative Denker und Problemlöser.

F

Kontaktdaten:

FDE Times Recruiting-Team

StudySmarter Expertenrat🤫

Wir sind der Meinung, dass du so Senior Machine Learning Engineer, LLM Inference Optimization in Zürich erhalten könntest

✨Engagier dich in Entwickler-Communities!

Lass uns mal ehrlich sein: In der Software-Entwicklung sind Netzwerke Gold wert! Tummel dich in GitHub-Projekten, nehme an lokalen Meetups oder Hackathons teil und vernetze dich mit anderen Entwicklern. So steigerst du nicht nur deine Sichtbarkeit, sondern lernst auch die neuesten Trends und Technologien kennen.

✨Zeig deine Fähigkeiten!

Erstelle ein Portfolio, das deine besten Projekte und Code-Examples zeigt. Nichts überzeugt mehr als ein praktischer Beweis deiner Skills. Das kann auch helfen, bei FDE Times anzuklopfen, wenn du dich auf die Stelle als Senior Machine Learning Engineer, LLM Inference Optimization bewirbst – so wissen sie gleich, was sie von dir erwarten können!

✨Nutze Jobplattformen speziell für Tech-Jobs!

Plattformen wie Stack Overflow Jobs oder AngelsList sind perfekte Orte, um Vollzeitstellen in der Software-Entwicklung zu finden. Hier sind viele tolle Unternehmen auf der Suche nach Talenten wie uns, also schau regelmäßig vorbei und bewirb dich direkt über die Website.

✨Such dir Mentoren und Feedback!

Hol dir Feedback von erfahrenen Entwicklern, die dir Tipps geben können, was Recruiter wirklich suchen. Ob über LinkedIn oder persönliche Kontakte: Menschen, die sich in der Branche auskennen, können enorm wertvoll sein, um dir zu helfen, dich optimal auf deine Bewerbung bei FDE Times vorzubereiten!

Wir glauben, dass du diese Fähigkeiten brauchst, um Senior Machine Learning Engineer, LLM Inference Optimization in Zürich mit Bravour zu bestehen

Python
PyTorch
LLM Optimierung
VLM Optimierung
Transformer Inferenz
vLLM
TensorRT-LLM

Einige Tipps für deine Bewerbung 🫡

Highlights deiner Coding-Skills:In der Software-Entwicklung kommt es auf konkrete Fähigkeiten an. Vergiss nicht, relevante Programmiersprachen und Frameworks in deinen Lebenslauf aufzunehmen. Zeig uns, was du kannst – vielleicht mit einem Link zu deinem GitHub-Profil oder einer Übersicht deiner Side Projects, die deine Programmierkenntnisse illustrieren.

Dokumentation deiner Erfolge:Gerade bei einer Vollzeitstelle in der Software-Entwicklung sind konkrete Ergebnisse Gold wert. Nenn uns Zahlen und Ergebnisse aus deinen vorherigen Projekten. Hast du den Code optimiert oder Systemfehler behoben? Solche Erfolge zeigen, dass du die Sprache der Entwickler sprichst und einen echten Mehrwert bringst.

Attraktive Projektbeschreibungen:Wenn du an Projekten gearbeitet hast, die hervorstechen, beschreibe sie ausführlich in deinem Lebenslauf. Was war das Problem, das du gelöst hast? Welche Technologien hast du eingesetzt? Das gibt uns einen klaren Einblick in deine Herangehensweise und Problemlösungsfähigkeiten.

Motivation zeigen:In deinem Anschreiben solltest du deine Motivation für die Stelle im Bereich Software-Entwicklung bei FDE Times klar herausstellen. Warum sprichst gerade du die Anforderungen für diese Vollzeitrolle an? Mach deutlich, was dich an der Arbeit bei uns reizt und wie du über das rein Technische hinaus wachsen möchtest.

Wie man sich auf ein Vorstellungsgespräch bei FDE Times vorbereitet

✨Technische Vorbereitung auf die Coding-Challenges

In der Software-Entwicklung sind technische Fragen oft ein zentraler Teil des Interviews. Macht euch mit Plattformen wie LeetCode oder HackerRank vertraut, um eure Problemlösungsfähigkeiten zu trainieren. Zeigt im Interview viel Selbstbewusstsein beim Erklären eurer Ansätze!

✨Das eigene Portfolio im besten Licht präsentieren

Stellt sicher, dass ihr ein aussagekräftiges Portfolio habt, das einige eurer besten Projekte zeigt. Seid bereit, darüber zu sprechen, was eure Rolle war, welche Technologien ihr verwendet habt und welche Herausforderungen es gab. Das gibt den Interviewern einen Einblick in eure praktische Erfahrung.

✨Teamfähigkeit und Kommunikation betonen

In einer Vollzeit-Position wird Kommunikation im Team sehr wichtig sein. Seid bereit, Beispiele aus der Vergangenheit zu teilen, in denen ihr effektiv im Team gearbeitet habt. Dies zeigt, dass ihr nicht nur technische Fähigkeiten habt, sondern auch gut ins Team passt.

✨Vorbereitung auf Fragen zur Software-Architektur

Bereitet euch darauf vor, Fragen zur Software-Architektur zu beantworten. Themen wie RESTful APIs, Microservices und Cloud-Architekturen können Teil eures Interviews sein. Zeigt euer Verständnis durch Diskussionen und Beispiele aus eurer bisherigen Arbeit oder Projekte.