Lead ML/AI Platform Engineer

Diese Position wird im Auftrag eines Partnerunternehmens ausgeschrieben, das alle Bewerbungen und nächsten Schritte verwaltet. Unser Partner sucht einen Lead ML/AI Platform Engineer mit Sitz in Deutschland. Als Lead ML/AI Platform Engineer sind Sie verantwortlich für die Infrastruktur, die maschinelles Lernen und KI von Experimenten in zuverlässige Produktionssysteme überführt. Sie definieren die technische Richtung für ML/AI-Architektur, Werkzeuge, Standards und Plattformstrategien und arbeiten eng mit Data Science, DevOps, Backend-Engineering, Produkt- und Führungsteams zusammen. Die Rolle umfasst verwaltete AWS-Maschinenlernservices, Open-Source-ML-Werkzeuge, Modellbereitstellung, Inferenzpipelines und Produktionsintegrationen. Sie treiben auch die Ingenieursstrategie für GenAI, LLMs, Abrufarchitekturen und agentische Workflows voran. Ihre Entscheidungen legen das Fundament für zukünftige KI-gestützte Produkte in einem stark regulierten Finanztechnologieumfeld. Dies ist eine vollständig remote unabhängige Vertragsmöglichkeit innerhalb eines global verteilten Teams mit zuverlässiger Überlappung mit den US-Pazifikgeschäftszeiten.

Verantwortlichkeiten:

• Eigentum der ML/AI-Plattform: Führen Sie die Architektur und den Betrieb der Trainingsinfrastruktur, Modellbereitstellung, Inferenzpipelines, Modellregister, Feature-Pipelines und Produktionsintegrationen.
• Technische Richtung festlegen: Arbeiten Sie mit dem Data Platform Architect zusammen, um die ML/AI-Architektur, Ingenieurstandards, Werkzeugstrategien und Build-vs-Buy-Entscheidungen zu definieren.
• Produktions-ML-Systeme aufbauen: Überwachen Sie die Merkmalsentwicklung, Modelltraining, -tuning, -registrierung, -bereitstellung, -überwachung und gehostete Inferenz unter Verwendung von AWS-verwalteten Diensten und Open-Source-Werkzeugen.
• GenAI und LLM-Engineering vorantreiben: Entwickeln Sie praktische Strategien für RAG, Prompt-Engineering, Evaluierung, Feinabstimmung, Modellbereitstellung und agentische Workflows unter Berücksichtigung von Kosten, Latenz, Qualität und Sicherheit.
• Agentische Fähigkeiten entwickeln: Bewerten und implementieren Sie aufkommende Agententechnologien und Workflow-Muster, einschließlich MCP, zustandsloser und zustandsbehafteter Architekturen sowie geeigneter Sicherheitsvorkehrungen für regulierte Umgebungen.
• Die Serving-Schicht besitzen: Entwerfen Sie skalierbare ML-Dienste und API-Verträge, die sich nahtlos in Java-Mikrodienste integrieren, und treffen Sie fundierte Entscheidungen zu Leistung, Latenz, Durchsatz und Zuverlässigkeit.
• Forschung in die Produktion ermöglichen: Arbeiten Sie mit Data Science zusammen, um Modelle zu produktiv zu machen und die Infrastruktur, Pipelines und Bereitstellungsprozesse zu schaffen, die erforderlich sind, um Experimente in zuverlässige Produktionen zu überführen.
• MLOps-Praktiken etablieren: Treiben Sie Modellüberwachung, Drift-Erkennung, Reproduzierbarkeit, Experimentverfolgung, Modellregister und Kostenbeobachtbarkeit in Zusammenarbeit mit DevOps voran.
• Die ML-Roadmap gestalten: Arbeiten Sie mit Produkt-, Daten- und Ingenieurführung zusammen, um hochwirksame AI/ML-Möglichkeiten zu identifizieren und in umsetzbare technische Roadmaps zu übersetzen.
• Technische Führung bieten: Mentoren Sie Senior Engineers, leiten Sie komplexe architektonische Entscheidungen und vertreten Sie die AI/ML-Funktion in funktionsübergreifenden Diskussionen.
• Technische Strategie kommunizieren: Übersetzen Sie komplexe architektonische Abwägungen in klare Entwurfsdokumente und Empfehlungen auf Führungsebene für technische und nicht-technische Stakeholder.

Anforderungen:

• Senior Engineering Erfahrung: 8+ Jahre in Software- oder ML-Engineering, einschließlich mindestens 5 Jahre in der Bereitstellung von Produktionsmaschinenlernssystemen und der Übernahme komplexer, mehrdeutiger Probleme von Anfang bis Ende.
• Technische Führung: Nachgewiesene Erfahrung in der Gestaltung der ML-Strategie, Mentoring von Senior Engineers und als vertrauenswürdiger Entscheidungsträger für herausfordernde architektonische Probleme.
• AWS ML-Expertise: Praktische Erfahrung mit Amazon SageMaker für Training, Tuning, gehostete Endpunkte und Modellregister sowie Amazon Bedrock und AgentCore für GenAI und agentische Anwendungen.
• Open-Source-ML-Werkzeuge: Praktische Erfahrung mit JupyterLab, Spark, MLflow und verwandten Werkzeugen zur Entwicklung und Experimentierung im Bereich maschinelles Lernen.
• AWS-Plattformkenntnisse: Tiefes Verständnis von Diensten wie S3, Athena, Redshift, Glue, Step Functions und Lambda, kombiniert mit starken SQL-Kenntnissen für analytische und ML-Workloads.
• GenAI/LLM-Expertise: Produktionserfahrung mit RAG, Prompt-Engineering, Evaluierung und den praktischen Abwägungen zwischen Qualität, Kosten, Latenz und Sicherheit.
• Vektorsuche Wissen: Erfahrung mit Vektordatenbanken wie pgvector oder Pinecone sowie gutes Urteilsvermögen darüber, wann die Vektorrückgewinnung angemessen ist im Vergleich zu alternativen Ansätzen.
• Programmierfähigkeiten: Tiefgehende Python-Expertise und fundierte Kenntnisse der Kern-ML-Bibliotheken wie scikit-learn, pandas, NumPy, PyTorch und/oder TensorFlow sowie XGBoost oder LightGBM.
• Java-Vertrautheit: Ausreichende Kenntnisse in Java, um Service-Code zu überprüfen, API-Verträge zu definieren und Integrationen mit Backend-Mikrodiensten zu beheben.
• MLOps-Expertise: Starkes Verständnis von Modellüberwachung, Drift-Erkennung, Reproduzierbarkeit, Experimentverfolgung, Modellregistern, Bereitstellungsmustern und Kostenbeobachtbarkeit.
• Funktionsübergreifende Zusammenarbeit: Komfortabel in der Zusammenarbeit mit Data Science, DevOps, Backend-Engineering, Produkt und Führung, während Sie klare Verantwortlichkeiten über gemeinsame technische Grenzen hinweg aufrechterhalten.
• Kommunikation: Ausgezeichnete schriftliche und mündliche Kommunikationsfähigkeiten, mit der Fähigkeit, sowohl detaillierte technische Entwürfe als auch prägnante Empfehlungen auf Führungsebene zu erstellen.
• Vertragsanforderungen: Fähigkeit, unabhängig als unabhängiger Auftragnehmer über Ihre eigene Einheit oder eine genehmigte Vertragsvereinbarung zu arbeiten, mit zuverlässiger Überlappung mit den US-Pazifikgeschäftszeiten.

Wünschenswert:

• Erfahrung mit ClickHouse oder ähnlichen analytischen Datenbanken, LLM-Fine-Tuning-Techniken wie LoRA oder QLoRA, Streaming und Echtzeitinferenz, Kafka oder Kinesis, Infrastruktur als Code, großangelegte ML-Systeme oder Beiträge zu Open-Source-ML.

Vorteile:

• Aktienvergütungspaket.
• Flexible Freizeit (FTO), um bei Bedarf Zeit zum Ausruhen und Auftanken zu nehmen.
• Kranken-, Zahn- und Augenversicherung, wobei 100 % der Prämien des Mitarbeiters abgedeckt sind, wo zutreffend.
• Invaliditäts- und Lebensversicherung.
• Lern- und Karriereentwicklungsmöglichkeiten in einem wachsenden Technologieumfeld.
• Erstattung für Remote-Arbeitsplatzsetup.
• Monatlicher Telefon- und Internetzuschuss.
• Teambuilding-Events, kulturelle Aktivitäten und unternehmensweite Zusammenkünfte.
• Bezahlte Freizeit für Freiwilligenarbeit und Gemeindedienst.
• Halbtägige Freitage.
• 401(k) Matching-Beitrag.
• Gelegenheit, an der AI/ML-Infrastruktur zu arbeiten, die Produkte unterstützt, die von mehr als 1.600 Finanzinstituten genutzt werden.
• Vollständig remote Arbeitsumgebung als Teil eines global verteilten Teams.