Data Scientist

Über uns

Was wäre, wenn Ihre Arbeit Veränderungen in einer global etablierten Branche vorantreiben könnte, die Prozesse gestaltet, die jede Ecke der Welt berühren? Bei Forto stehen wir an der Spitze des Wandels und nutzen die Kraft von KI, um die Logistik zu revolutionieren. Wir wollen digitale Lieferketten neu gestalten, um transparent, reibungslos und nachhaltig zu sein. Seit dem ersten Tag ist es unsere Mission, den globalen Handel zu vereinfachen – einen nahtlosen und effizienten Logistikprozess zu schaffen.

Ihre Rolle & Mission

Als Data Scientist bei Forto übernehmen Sie die Verantwortung für Produktions-ML-Systeme, die strukturierte Intelligenz aus unstrukturierten Logistikdaten extrahieren. Sie arbeiten eng mit dem Engineering Manager in drei Kernarbeitsbereichen zusammen – Dokumentendatenextraktion (FlashDoc), Vokabularzuordnung und klassische ML. Ihre unmittelbare Priorität besteht darin, die Kontinuität bestehender Produktionssysteme sicherzustellen und Evaluierungspipelines einzurichten. Ebenso wichtig ist es, durch disruptive Methoden und neue Technologien signifikante Verbesserungen in der Genauigkeit voranzutreiben, wenn sich die Gelegenheit bietet. Über die Dokumentenautomatisierung hinaus erstreckt sich die Roadmap des Teams in das traditionelle Data-Science-Gebiet – Nachfrageprognose, Abwanderungsvorhersage, Routenoptimierung und prädiktive Analytik für Logistikoperationen. Sie bringen sowohl die Tiefe der ML-Engineering-Kenntnisse mit, um aktuelle Systeme zu warten und zu innovieren, als auch die klassische Data-Science-Grundlage, um diese breiteren Herausforderungen anzugehen, während das Team wächst.

Was Sie tun werden

• Entwerfen, bauen und warten Sie End-to-End-ML-Pipelines für Dokumentenextraktion, Klassifizierung und Datenanreicherung in der Produktion.
• Erstellen Sie Bewertungsrahmen und feedbackbasierte Optimierungsschleifen, um die Extraktionsgenauigkeit systematisch zu verbessern.
• Trainieren Sie benutzerdefinierte interne Modelle mit Human-in-the-Loop (HITL)-Daten, um von unterstützter zu vollständig automatisierter Extraktion überzugehen.
• Erstellen und pflegen Sie semantische Ähnlichkeitsmodelle für Freitext zu standardisiertem TMS-Vokabular über Häfen, Terminals, Containertypen, juristische Personen und Positionen.
• Verbessern Sie die Zuverlässigkeit der Pipeline durch Neugestaltung, Tests, Überwachung und Alarmierung für nicht-deterministische ML-Systeme.
• Bewerten und führen Sie disruptive Ansätze ein (neue Modellarchitekturen, Feinabstimmungsstrategien, neuartige Bewertungsmethoden), um signifikante Genauigkeitsverbesserungen zu erzielen, wenn inkrementelle Optimierungen stagnieren.
• Arbeiten Sie mit Produktmanagern zusammen, um zu identifizieren, wo DS echte Benutzerprobleme lösen kann, proaktiv Chancen aus den Daten zu erkennen und Produkt-Roadmaps mit einer datengestützten Perspektive zu gestalten.
• Kooperieren Sie eng mit Engineering-Teams bei Integration, Infrastruktur und API-Design, um sicherzustellen, dass DS-Ausgaben zuverlässig von nachgelagerten Systemen konsumiert werden.
• Verwalten Sie die Erwartungen der Stakeholder: Kommunizieren Sie, was angesichts der Kapazität machbar ist, setzen Sie realistische Zeitpläne, kennzeichnen Sie frühzeitig Risiken und verhandeln Sie Priorisierungsabgleiche zwischen den Teams.

Erforderliche Fähigkeiten und Erfahrungen

• 2+ Jahre Berufserfahrung in Data Science oder Machine Learning Engineering.
• Fähigkeit, ML-Systeme in der Produktion zu entwerfen, bereitzustellen und zu warten.
• Über die Modellentwicklung hinaus – es umfasst Pipeline-Architektur, Überwachung, Zuverlässigkeit und den Umgang mit nicht-deterministischen Ausgaben in großem Maßstab.
• Fähigkeit, sich schnell mit neuen Tools/Technologien/Problembereichen vertraut zu machen.
• Starke Nutzung agentischer Tools für das Programmieren.
• Starke Kenntnisse in Python.
• Praktische Erfahrung mit LLMs (Prompting, Feinabstimmung, Bewertung) und Verständnis ihrer Einschränkungen in Produktionsumgebungen.
• Starke Grundlage in klassischer Data Science und Statistik: Regression, Klassifikation, Zeitreihenanalyse, Datenleckage, Versuchsdesign und Hypothesentests.
• Starke analytische und problemlösende Fähigkeiten mit der Fähigkeit, unabhängig an mehrdeutigen, forschungsorientierten Problemen zu arbeiten.
• Nachgewiesene Fähigkeit, zu bewerten, wann bestehende Ansätze unzureichend sind, und disruptive Alternativen vorzuschlagen – nicht nur inkrementelle Anpassungen.
• Starke Fähigkeiten im Stakeholder-Management: Fähigkeit, Probleme und Chancen proaktiv zu identifizieren, Erwartungen hinsichtlich Zeitplänen und Machbarkeit zu managen und Priorisierungen zwischen konkurrierenden Anforderungen zu verhandeln.
• Fähigkeit, sich nach gesunder Debatte vollständig auf eine Richtung festzulegen, auch wenn dies nicht der bevorzugte Ansatz war.