Senior Machine Learning Engineer - Forecasting Platform

Über INAIT

INAIT ist ein Schweizer Deep-Tech-AI-Unternehmen mit Sitz in Lausanne, das auf mehr als 20 Jahren wissenschaftlicher Forschung aufbaut, um eine differenzierte Klasse von künstlicher Intelligenz zu entwickeln. Wir befinden uns jetzt im Kommerzialisierungs- und Skalierungsmodus, konzentrieren uns auf KI-Prognosen und beschleunigen unseren Markteintritt durch eine strategische Partnerschaft mit Microsoft, die gemeinsame Produktentwicklung, Co-Selling und Azure-basierte Bereitstellung umfasst.

Über Future Complete

Future Complete ist eine API-first-Prognoseplattform. Wir erstellen Self-Service-Prognosemodelle, die rigorose Vorhersagen in schnelllebigen Umgebungen über mehrere Vertikalen hinweg liefern. Wir haben eine Reihe erfolgreicher Wertnachweise mit Zielkunden durchgeführt und befinden uns nun in der Pilotphase, um unsere Produkt-Markt-Passung vor einer signifikanten Skalierung abzuschließen. Unsere Ambitionen sind hoch, und der nächste Ingenieur, den wir einstellen, wird einen nachhaltigen Einfluss auf die Architektur und Qualität der Plattform haben.

Die Rolle

Sie sind verantwortlich für die langfristige Gesundheit, Leistung und Zuverlässigkeit unserer Prognosebibliotheken, während wir skalieren. Die Rolle ist end-to-end: von den mathematischen Komponenten innerhalb der Modelle bis hin zur benutzerorientierten Funktionalität, die sie ermöglichen. Dies ist eine hybride Rolle mit Sitz in Lausanne, Schweiz (2 Tage/Woche im Büro) oder vollständig remote innerhalb Europas mit Arbeitszeiten, die sich mit CET überschneiden, und gelegentlichen Reisen nach Lausanne.

Verantwortlichkeiten

• Besitz und Weiterentwicklung unserer Prognosebibliotheken — dem Produktions-Python-Code, der Simulationen, Zeitreihenmodelle und probabilistische Vorhersagen in großem Maßstab ausführt.
• Entwurf für Skalierung. Caching-Strategien, Multithreading, asynchrone Pipelines und speichereffiziente Simulationen, um sicherzustellen, dass die Plattform zuverlässig funktioniert, während die Last erheblich wächst.
• Arbeiten mit Azure Machine Learning. Pipelines, Compute, Modell-Registry und Bereitstellung — Azure Machine Learning ist die Produktionsplattform, auf der unsere Prognosearbeitslasten laufen.
• Arbeiten über den gesamten Stack. Primär Backend, mit Frontend-Beiträgen, wenn es die Produktanforderungen erfordern.
• Zusammenarbeit mit unseren Datenwissenschaftlern, um forschungsgradige Modelle in zuverlässige, produktionsbereite Komponenten zu übersetzen.
• Festlegung des technischen Standards für Ingenieure, die wir einstellen werden, während wir skalieren — durch Code-Reviews, Design und die Standards, die Sie festlegen.
• Beitrag zur technischen Roadmap. Während sich unser Produkt weiterentwickelt, werden sich die Prioritäten verschieben. Wir erwarten starkes technisches Urteilsvermögen und die Bereitschaft, die Richtung anzupassen, wenn die Daten dies unterstützen.

Anforderungen

Wir suchen einen vielseitigen Ingenieur mit starken Grundlagen, breitem technischem Spektrum und der Reife, um fundierte Entscheidungen zu treffen.

Erforderliche Erfahrung

• 5+ Jahre Erfahrung in Software- oder ML-Engineering, einschließlich erheblicher Zeit mit der Wartung einer großen Produktionsbibliothek oder Codebasis.
• Bachelor- oder Master-Abschluss in Informatik, Ingenieurwesen, Mathematik, Physik oder einem verwandten technischen Bereich — oder gleichwertige praktische Erfahrung.
• Starke Python-Engineering-Fähigkeiten, mit Fokus auf Codequalität, Tests und Wartbarkeit.
• Erfahrung im Entwerfen und Ausführen von Simulationen in großem Maßstab.
• Solides Verständnis von Caching und Leistungsoptimierung, einschließlich praktischer Erfahrung bei der Fehlersuche von Speicher- und Leistungsproblemen.
• Praktische Kenntnisse von Azure Machine Learning oder die Bereitschaft, sich schnell in Azure ML einzuarbeiten, basierend auf einer vergleichbaren Cloud-ML-Umgebung.
• Starke Backend-Grundlagen: APIs, Datenpipelines, Tests und CI/CD.
• Ausreichende Frontend-Kompetenz, um kleine UI-Funktionen unabhängig zu implementieren.
• Effektive Nutzung von AI-Entwicklungstools (z.B. Claude) als Teil Ihres täglichen Workflows zur Beschleunigung von Entwicklung, Überprüfung und Fehlersuche.
• Starke Kommunikationsfähigkeiten in Englisch, mit der Fähigkeit, komplexe technische Konzepte sowohl technischen als auch nicht-technischen Stakeholdern im Team zu erklären.

Denkweise und Arbeitsweise

• Verantwortung. Verantwortung für Ergebnisse, nicht nur für Aufgaben.
• End-to-End-Denken. Bewusstsein dafür, wie technische Entscheidungen das gesamte Produkterlebnis beeinflussen.
• Anpassungsfähigkeit. Komfort im Betrieb in einer Phase der Produkt-Markt-Passung, in der sich Prioritäten entwickeln.
• Zusammenarbeit. Ein konstruktiver, egoarmer Arbeitsstil in einem kleinen Senior-Team.
• Engagement. Eine konsequente Bereitschaft, über die Mindestanforderungen der Rolle hinauszugehen.

Schön zu haben

• Praktische Erfahrung mit Prognose- und Zeitreihenmodellen (klassisch, maschinenlern-basiert oder beides).
• Erfahrung mit Multithreading und Parallelität, einschließlich der Fehlersuche von Race Conditions in großem Maßstab.
• Erfahrung in Finanzen, Energie, Einzelhandel oder einem anderen Bereich, in dem Prognosen wesentliche Geschäftsentscheidungen beeinflussen.
• Open-Source-Beiträge zum wissenschaftlichen Python-Ökosystem (pandas, scikit-learn, statsmodels usw.).

Vorteile

• Wettbewerbsfähige Vergütung plus eine Leistungsprämie, die an die kommerziellen Ergebnisse gebunden ist, die wir als Unternehmen liefern.
• Anspruch auf unseren langfristigen Anreizplan (Phantomaktienprogramm) in einem Unternehmen an einem Wendepunkt.
• Hybrides Arbeitsmodell für unser Team in Lausanne (2 Tage pro Woche im Büro) oder vollständig remote innerhalb Europas.
• Umzugspaket für Kandidaten, die in die Schweiz ziehen.
• Senior-Umfang. Verantwortung für Systeme und Entscheidungen, nicht isolierte Tickets.
• Ein kohärentes Team. Engineering, Infrastruktur und Datenwissenschaft arbeiten als eine Gruppe, mit direktem Zugang zu den Gründern.
• Phase der Produkt-Markt-Passung und ein klarer Skalierungsplan. Die grundlegende Arbeit ist erledigt; die nächste Phase ist das Wachstum.
• Frisches Obst, Snacks und Getränke im Büro.