ML Ops Engineer

Wir suchen einen erfahrenen ML Engineer / Data Scientist mit über 3 Jahren Erfahrung in Software oder angewandtem ML, um Machine Learning-Lösungen in einer dynamischen Cloud-Umgebung, hauptsächlich auf AWS, zu entwerfen, zu bauen und zu verbessern. Diese Rolle befindet sich an der Schnittstelle von Data Science und Engineering: Daten erkunden, Modelle entwickeln, rigorose Experimente durchführen und die besten Ansätze in eine zuverlässige, reproduzierbare Arbeitsweise überführen.

Wer Sie sind:

• Starke Grundlagen in Machine Learning, Statistik und Versuchsdesign.
• Erfahrung im Aufbau von Modellen für reale Geschäfts- oder Produktprobleme, nicht nur akademische Benchmarks.
• Komfortabel im Umgang mit strukturierten und unstrukturierten Daten: Feature Engineering, Datensatzkonstruktion, Qualitätsbewertung, Leakage-Checks und Train/Validation/Test-Disziplin.
• Fähig, Ansätze mit klaren Metriken, Fehleranalysen und gesundem Urteilsvermögen über Trade-offs (Genauigkeit, Latenz, Kosten, Wartbarkeit) zu vergleichen.
• Interesse an modernem ML, einschließlich klassischem ML, Deep Learning und LLM / GenAI-Workflows, wo relevant (Feinabstimmung, RAG, Bewertung, Prompt/Versionierung).
• Versiert in Python und in der Lage, sauberen, modularen, testbaren Code zu schreiben.
• Erfahrung in der Entwicklung und Bereitstellung von ML-Lösungen in einer Cloud-Umgebung, insbesondere AWS.
• Komfortabel beim Übergang von Prototypen zu Produktion: Modelle verpacken, Inferenzpfade erstellen, Leistung überwachen und nach dem Start iterieren.
• Unabhängiger Ingenieur, der die Arbeit vom Problemframing über Experimente bis hin zur Implementierung und Einführung übernehmen kann.
• Ausgezeichnete schriftliche und mündliche Englischkenntnisse.
• Genießen die enge Zusammenarbeit mit Ingenieuren, Produktpartnern und anderen Data Scientists.
• Klare Kommunikation, die Methoden, Ergebnisse und Einschränkungen sowohl technischen als auch nicht-technischen Zielgruppen erklären kann.
• Master-Abschluss in Wissenschaft oder Ingenieurwesen (Informatik, Mathematik, Physik, Statistik oder ähnlich) oder gleichwertige praktische Erfahrung.

Schön zu haben:

• Erfahrung mit scikit-learn, PyTorch, TensorFlow, XGBoost oder ähnlichen Modellierungsstacks.
• Vertrautheit mit ML-Experimentverfolgung und Reproduzierbarkeit (z.B. MLflow, W&B).
• Erfahrung mit SQL, Datenlagern/-seen und Pipeline-Tools wie Airflow, dbt oder Spark.
• Exposition gegenüber Feature Stores, Einbettungspipelines oder Vektorsuche für abrufbasierte Systeme.
• Erfahrung im Aufbau von HTTP/gRPC-APIs oder leichten Diensten rund um die Modellinferenz.
• Praktisches Wissen über Docker, grundlegende Orchestrierung und CI/CD (z.B. GitLab CI).
• Erfahrung in agilen, Remote- und asynchronen Teamumgebungen.
• Veröffentlichungen, Patente, Kaggle/Wettbewerbsergebnisse oder Open-Source-ML-Beiträge.

Was Sie an dieser Rolle mögen könnten:

• Praktische Modellierungsarbeit mit Raum zum Erkunden, Benchmarking und Verbessern realer Systeme.
• Zusammenarbeit bei ML-Patentanmeldungen und Teilnahme an wöchentlichen ML-/Forschungs-Papierbesprechungen.
• Ein multikulturelles, ingenieurfokussiertes Team mit starker Unterstützung durch Kollegen.
• Hohe Vertrauensbasis und Autonomie – klare Ziele, Freiheit, wie man sie erreicht.
• Interner Produkteinfluss: bedeutende Projekte, die die Entwickler- und Benutzererfahrung verbessern, keine endlosen Wartungstickets.
• Kurze Genehmigungszyklen und solide Produktpartnerschaften.
• Eine gesunde Besprechungspolitik und Betonung des Schutzes der Fokuszeit.
• Flexible Arbeitszeiten, Optionen für Remote/Homeoffice und ein ruhiges Büro nur für Ingenieure vor Ort.
• Wettbewerbsfähige Vergütung, einschließlich Aktienoptionen.

Wir stellen auf mehreren Ebenen ein. Titel, Umfang und Vergütung hängen von der Erfahrung ab – von starken angewandten ML-Generalistern bis hin zu erfahrenen Personen, die die Modellierungsrichtung leiten und andere betreuen können. Wir sind besonders an Kandidaten interessiert, die technisch stark, intellektuell neugierig und motiviert sind von schwierigen, mehrdeutigen Problemen, bei denen gute Datenwissenschaft und solides Engineering gleichermaßen wichtig sind.