CAD AI Software Engineer - Big Data Pipelines & ML Automation | Python, C#, C++ Expert | Machin[...]

Fühlen Sie sich, als würden Sie nur Spielzeugprobleme codieren, ohne einen echten Einfluss zu haben? Schließen Sie sich uns für eine erfüllende Karriere als Software Engineer an, der sich auf Big Data Pipelines und ML Automation spezialisiert hat, wo Sie konkret definierte, reale Herausforderungen angehen werden. Bei Imnoo werden Sie einen signifikanten Einfluss auf die Automatisierung von Fertigungsprozessen durch robuste Big Data Engineering, skalierbare Datenpipelines und Machine Learning Integrationen haben und dabei wertvolle Erfahrungen in Python-Entwicklung, C#-Programmierung, C++-Expertise und tiefer Zufriedenheit sammeln!

Wir suchen einen erfahrenen Software Engineer - Big Data / Pipelines mit einem ML-Flair, der leidenschaftlich an Automatisierung, AI/ML Engineering interessiert ist und bereit ist, skalierbare ETL-Pipelines zu erstellen, massive Datensätze zu verarbeiten und Machine Learning Modelle in Produktionssysteme zu integrieren, indem er starke Python-Coding-Fähigkeiten, C#-Entwicklung und C++-Leistungsoptimierung nutzt.

Warum zu uns kommen?

• Ein klarer Weg für das Karrierewachstum in den Bereichen Machine Learning Engineering und Data Engineering.
• Die Möglichkeit, reale und bedeutende Herausforderungen in der datengestützten Fertigungsautomatisierung, Computer Vision und AI-gesteuerten Pipelines zu lösen.
• Ein dynamisches und flexibles Arbeitsumfeld, das die Remote-Softwareentwicklung unterstützt.
• Chancen zur beruflichen Weiterentwicklung, Zertifizierungsunterstützung in AWS, Azure und MLOps.
• Eine Plattform, um Ihre Ideen und Meinungen zu teilen, die in unserem Startup-Tech-Team hoch geschätzt werden.

Ihr Spielplatz | Praktische Big Data & ML Projekte

• Arbeiten Sie an realen/praktischen Problemen, die Big Data Verarbeitung und Automatisierungstools für industrielle KI betreffen.
• Entwickeln Sie effiziente Datenpipelines und Tools, die direkt die täglichen Abläufe unserer Hersteller beeinflussen.
• Entwerfen und implementieren Sie fortschrittliche Datenextraktions-, Feature Engineering-, Verarbeitungs- und Pipeline-Orchestrierungslösungen für die Verarbeitung von CAD, 2D, 3D und großflächigen Batch-Daten (gefiltert/nicht gefiltert) mit einem Fokus auf ML-Anwendungen wie Deep Learning Modelle und prädiktive Analytik.
• Ingenieuren Sie skalierbare Big Data Infrastruktur, cloud-native Dienste, RESTful APIs, automatisiertes ML Modelltraining und Bereitstellung sowie CI/CD Build-Tools unter Verwendung von Docker und Kubernetes.
• Besitzen Sie Dienstleistungen von Anfang bis Ende, vom Proof of Concept bis zu produktionsbereiten Lösungen in Hochlastumgebungen mit Skalierbarkeitstests und Leistungstuning.
• Erwerben Sie tiefgehendes Wissen über vernetzte Cloud-Computing-, Big Data-Ökosysteme (Hadoop, Spark), Computer Vision-Pipelines und ML-Frameworks über Python, C#, C++ und mehrere Plattformen wie Linux/Unix-Systeme.
• Warten und verbessern Sie Optimierungsalgorithmen, Machine Learning-Dienste und neuronale Netzwerk-Integrationen innerhalb von Datenpipelines.
• Verbessern Sie 2D/3D/CAD-Tools und -Lösungen durch automatisierte, datengestützte Workflows, einschließlich geometrischer Modellierung, Simulationswerkzeuge und GPU-Beschleunigung mit CUDA.

Best to Have: | Wesentliche Fähigkeiten für Big Data ML Engineer Rollen

• Starke Software-/Codierungsfähigkeiten in Python-Entwicklung, C# .NET Programmierung und C++-Expertise mit einer Leidenschaft für Machine Learning, Deep Learning und Prozessautomatisierung.
• 5+ Jahre Erfahrung in dynamisch typisierten (z.B. Python-Skripting) und statisch typisierten Sprachen (z.B. C# Backend, C++ Systemprogrammierung).
• CAD-Systementwicklung/-Berufserfahrung.
• Starke Problemlösungsfähigkeiten zum Aufbau effizienter, skalierbarer Datenpipelines und ML-Workflows unter Produktionsbedingungen.
• Grundlagen oder Erfahrung in 3D/Geometrieverarbeitung, Spielentwicklungs-Engines (Unity/Unreal), Flüssigkeitssimulationen, Echtzeit-Rendering, CUDA GPU-Programmierung oder ähnlichen Technologien zur Handhabung komplexer Big Data Analysen und räumlicher Daten.

Nice to Have: | Bevorzugte Qualifikationen für ML Pipeline Entwickler

• Bildungshintergrund in Mathematik, Statistik oder Informatik mit starker Hingabe und Erfahrung in angewandten Technologien wie angewandtem ML und Data Science (wünschenswert).
• Erfahrung in der CAD-Datenverarbeitung, einschließlich STEP/IGES-Formate (wünschenswert).
• Industrie-/Maschinenbau-Erfahrung in CNC-Bearbeitung, Robotik-Automatisierung und verwandten Bereichen (optional).
• Praktische Erfahrung in Frontend-Entwicklung (z.B. Angular, React) und Backend-Engineering (Node.js, .NET) (optional).
• Full-Stack-Entwicklungserfahrung mit Microservices-Architektur (optional).
• Vertrautheit mit beliebten Machine Learning-Bibliotheken und Deep Learning-Frameworks, wie scikit-learn, PyTorch, TensorFlow und PyTorch Lightning (wünschenswert).
• Erfahrung mit ML-Modellindustrialisierungstools, einschließlich Modellquantisierung, ONNX-Export, Docker-Containerisierung und serverloser Bereitstellung (wünschenswert).
• Kenntnisse in MLOps-Praktiken, ML-Pipeline-Entwicklung und Tools wie MLflow oder Kubeflow (wünschenswert).
• Expertise in Big Data Verarbeitung, Datenclustering, Anomalieerkennung, Filterung, Indizierung und effizientes Abfragen großer Datensätze unter Verwendung von Elasticsearch oder BigQuery (wünschenswert).
• Fähigkeiten in automatisierten Modelltraining-Pipelines und A/B-Testbereitstellungen (optional).
• Strategische Datenanalyse- und Forschungsfähigkeiten, einschließlich statistischer Modellierung, Fehlerfortpflanzungsanalyse und Identifizierung von Clustern oder Ausreißern in hochdimensionalen Daten (optional).
• Erfahrung mit Cloud-Plattformen, insbesondere AWS-Diensten (S3, Lambda, SageMaker) und Azure Cloud Services (Data Factory, ML Studio) (optional).
• Starke Datenbankkenntnisse: SQL (PostgreSQL, MySQL) und NoSQL (MongoDB, Cassandra) für Data Warehousing (optional).
• Tiefes Verständnis fortgeschrittener Datenstrukturen und Algorithmen für effizientes Abfragen (optional).