MLOps Engineer (ML Workflows Engineering) (m/f/d)

Bei JetBrains ist Code unsere Leidenschaft. Seit unserer Gründung im Jahr 2000 streben wir danach, die stärksten und effektivsten Entwicklerwerkzeuge der Welt zu schaffen. Durch die Automatisierung routinemäßiger Überprüfungen und Korrekturen beschleunigen unsere Werkzeuge die Produktion und ermöglichen es Entwicklern, zu wachsen, zu entdecken und zu kreieren. Heute werden KI-gestützte Unterstützung und Agenten zu einem zentralen Bestandteil der Arbeitsweise von Entwicklern in unseren IDEs. Das Team für ML Workflows Engineering widmet sich der Beseitigung von Infrastrukturproblemen, der Optimierung von Machine Learning Operations (MLOps) und der Ermöglichung, dass Teams sich auf die innovativen Arbeiten konzentrieren können, die am wichtigsten sind – den Aufbau von wirkungsvollen ML-Modellen und intelligenten Agenten.

Als Teil des Teams spielen Sie eine Schlüsselrolle bei der Gestaltung von Werkzeugen, Automatisierungen und Pipelines, die die Entwicklung von Machine Learning nahtlos und intuitiv gestalten. Durch die Integration modernster MLOps-Praktiken und ingenieurtechnischer Exzellenz zielen wir darauf ab, die Produktivität zu maximieren und die Komplexität der ML-Infrastruktur zu beseitigen, damit unsere Teams die Grenzen des Möglichen in der KI erweitern können.

Als Teil unseres Teams werden Sie:

• Werkzeuge, Automatisierungen und Workflows entwickeln, um infrastrukturlastige Aufgaben zu vereinfachen und AI-Teams zu ermächtigen, sich auf Experimente und die Lösung grundlegender Herausforderungen zu konzentrieren.
• Robuste Überwachungs-, Protokollierungs- und Nachverfolgungssysteme entwickeln, um die Leistung und Reproduzierbarkeit von ML-Workflows in der Produktion sicherzustellen.
• End-to-End-Machine-Learning-Pipelines entwerfen, implementieren und warten, um die nahtlose Entwicklung, das Training und die Bereitstellung von ML-Modellen und intelligenten Agenten zu ermöglichen.
• Mit großflächigen verteilten Systemen, einschließlich GPU-Clustern, arbeiten, um das Training, die Feinabstimmung und die Bewertung von ML-Modellen zu unterstützen.
• Mit Produkt- und Entwicklungsteams zusammenarbeiten, um hochrangige Ziele in konkrete, skalierbare und wartbare Systeme zu transformieren.
• Workflows für Reproduzierbarkeit, Skalierbarkeit und Kosteneffizienz optimieren, während die ML-Teams produktiv und auf Innovation fokussiert bleiben.

Wir freuen uns, Sie in unserem Team zu haben, wenn Sie:

• Praktische Erfahrung mit modernen MLOps-Tools, einschließlich Kubernetes, Cloud-Anbietern (GCP und AWS) und ML-Orchestrierungsframeworks haben.
• Ein solides Verständnis des ML-Lebenszyklus vom Konzept bis zur kundenorientierten Anwendung besitzen.
• Die Fähigkeit haben, Projekte von Anfang bis Ende zu leiten, beginnend mit einem hochrangigen Problem oder Schmerzpunkt des Produkts und es durch die Phasen Design, Experimentierung, Implementierung und Iteration zu überwachen.
• Eine kundenorientierte Denkweise haben – Ihnen liegt am Herzen, wie ML-Ingenieure tatsächlich arbeiten, und Sie können deren Bedürfnisse in umsetzbare, skalierbare und wartbare architektonische Entscheidungen übersetzen.
• Erfahrung mit modernen CI/CD-Systemen wie GitHub Actions oder JetBrains TeamCity haben.
• Mindestens drei Jahre Erfahrung mit Python haben und sauberen, wartbaren Code in modernen ML-Codebasen schreiben.

Unser idealer Kandidat hätte Erfahrung mit:

• ML-Orchestratoren und Workflow-Tools wie ZenML, Dagster und Airflow.
• Der Entwicklung von Infrastrukturkomponenten und -diensten unter Verwendung von Clusterlösungen wie Kubernetes.
• Der Entwicklung von Python-basierten Backend-Diensten.
• Der Erstellung und Wartung von ML-Pipelines, einschließlich älterer.
• Experimentverfolgung und Beobachtbarkeit mit Tools wie Weights & Biases, MLflow, Langfuse oder ähnlichem.

Wir wären besonders begeistert, wenn Sie Erfahrung mit:

• LLM-Inferenz-Frameworks wie vLLM, DeepSpeed und TensorRT haben.
• Dem Schreiben und Warten von Python-Bibliotheken, die von internen (oder externen) ML-Ingenieuren verwendet werden.
• Ein starkes theoretisches Fundament in NLP und transformerbasierten Ansätzen haben.
• Das Schreiben von Code in Java und/oder Kotlin beherrschen.