AI Systems Engineer - physical contact-rich AI (w/m/d) - mind. 28h

Die Stelle kann in Vollzeit oder Teilzeit besetzt werden. Bei einer Teilzeitbesetzung ist ein Teilzeitgrad von mindestens 60%, das heißt ein Umfang von mindestens 21 Wochenstunden, erforderlich.

Sie sind Teil unseres Forschungsteams und entwickeln KI‑Systeme, die in der physischen Welt operieren. Sie arbeiten an Problemen an der Schnittstelle von Machine Learning, Robotik und industrieller Automatisierung — dort, wo die Lücke zwischen Simulation und Realität die größte Herausforderung darstellt.

Ihre Aufgaben:

• Entwicklung und produktionsnahes Deployment von KI Systemen für physische Manipulations- und Automatisierungsaufgaben in enger Zusammenarbeit mit Mechanik, Aktorik und Systementwicklung (im Rahmen eines Co-Design Ansatzes)
• Entwurf und Training von Machine Learning und Reinforcement Learning Architekturen für kontaktreiche, hochdimensionale Systeme
• Aufbau und Betrieb von Simulations- und Trainingspipelines (inkl. GPU-beschleunigter Physiksimulation)
• Übertragung von KI Modellen aus der Simulation auf reale Hardware (Sim to Real) sowie Validierung im industriellen Umfeld
• Entwicklung und Verantwortung für skalierbare Infrastruktur (z. B. parallele Simulationen, automatisierte Evaluationspipelines, MLOps Tooling)
• Veröffentlichung von Ergebnissen auf Fachkonferenzen bei entsprechendem Reifegrad

Ihre Qualifikationen:

• Abgeschlossenes Studium in Informatik, Robotik, Mechatronik, Mathematik, Physik oder einem vergleichbaren Studiengang
• Mehrjährige Erfahrung in der Entwicklung, dem Training und der produktionsnahen Nutzung von KI-/ML-Modellen
• Erfahrung mit komplexen Softwareprojekten inklusive GPU-beschleunigter Simulation, mehrstufigen Trainingspipelines und Hardwareintegration, idealerweise im Bereich Regelungs- und Steuerungstechnik
• Sehr gute Kenntnisse in Python, Erfahrung mit C++ wünschenswert
• Fundierte Kenntnisse in Reinforcement Learning für kontinuierliche, hochdimensionale Aktionsräume z. B. Policy-Gradient-Verfahren, modellbasiertes Deep Reinforcement Learning oder hybride Ansätze
• Sicherer Umgang mit modernen ML-Frameworks wie PyTorch sowie idealerweise Erfahrung mit TensorFlow, JAX, CUDA-Kernels oder Modellquantisierung
• Erfahrung mit aktuellen KI-Ansätzen für physische Systeme, wie z. B. model-free/model-based Deep Reinforcement Learning oder Diffusion Models sowie Erfahrung im Umgang mit 3D-Daten und Repräsentationen, z. B. Punktwolken, impliziten Repräsentationen oder neuronaler Geometrie
• Idealerweise Erfahrung mit generativem Design oder Topologieoptimierung
• Sehr gute Englischkenntnisse
• Schnelle Auffassungsgabe gepaart mit guten Kommunikationsfähigkeiten und Verständnis von Kundenbedürfnissen