Data Engineer / Data Scientist

Lightium entwickelt die nächste Generation photonischer integrierter Schaltungen auf dünnen Lithiumniobat (TFLN). Wir suchen einen Dateningenieur/Datenwissenschaftler, der uns hilft, unsere technischen Daten zu analysieren und zu visualisieren sowie zur Skalierung der Infrastruktur beizutragen, die diese Daten in Erkenntnisse umwandelt.

Position Zusammenfassung

Dies ist eine praktische Rolle. Sie werden eng mit dem Leiter der Datenabteilung und unserem technischen Charakterisierungsteam zusammenarbeiten, um Datenpipelines, Transformationen und analytische Modelle zu entwerfen und umzusetzen, die unser Labor, die Fertigung und die Unternehmenssysteme in eine kohärente Datenplattform integrieren. Wir suchen jemanden, der gerne produktiven Python-Code schreibt, klar über Datenmodellierung nachdenken kann und begeistert ist, maschinelles Lernen und KI-Tools auf reale wissenschaftliche und betriebliche Probleme anzuwenden.

Verantwortlichkeiten

• Datenengineering & Pipeline-Entwicklung: Entwerfen, erstellen und pflegen von skalierbaren Datenpipelines, die Daten aus Laborinstrumenten, PLM (Aras Innovator), ERP (Oracle NetSuite), MES und anderen Betriebssystemen aufnehmen.
• Entwickeln und verwalten von ELT/ETL-Transformationen mit Python und DBT, unter Anwendung bewährter Praktiken der Softwareentwicklung: Versionskontrolle, Tests, Modularität und Dokumentation.
• Arbeiten mit Apache Iceberg und Cloud-Objektspeicher (AWS S3 oder GCP GCS), um einen skalierbaren Data Lake zu erstellen und zu verwalten, der sowohl Batch- als auch inkrementelle Verarbeitungsmuster unterstützt.
• Erstellen und Betreiben verteilter Datenverarbeitungs-Workflows mit Apache Spark für großangelegte Transformationen, Aggregationen und Merkmalsengineering-Aufgaben.
• Implementieren von Datenqualitätsprüfungen, Schema-Validierung und Pipeline-Überwachung, um sicherzustellen, dass die durch die Plattform fließenden Daten zuverlässig, nachvollziehbar und zweckmäßig sind.
• Verwalten und Weiterentwickeln der Data Warehouse-Schicht (Tabellendesign, Partitionierungsstrategien, Namenskonventionen und Zugriffssteuerungen), um wachsende analytische Arbeitslasten zu unterstützen.

• Datenmodellierung & Transformation: Rohdaten aus verschiedenen Quellen (Instrumentenausgaben, optische oder SEM-Bilder, Prozessprotokolle, ERP-Exporte, Metrologie-Dateien) in saubere, gut strukturierte analytische Datensätze übersetzen.
• Definieren und Pflegen von DBT-Modellen, die Geschäftslogik, Prozessmetriken und systemübergreifende Joins in einer versionskontrollierten, testbaren Weise implementieren.
• Mit Fachexperten im Bereich integrierte Photonik und RF zusammenarbeiten, um die Datensemantik zu verstehen und sicherzustellen, dass die Modelle die physikalische Realität genau widerspiegeln.
• Dokumentieren der Datenherkunft, Transformationslogik und Modelldefinitionen, damit nachgelagerte Benutzer vertrauen und verstehen können, womit sie arbeiten.

• Dashboarding, Reporting & Fertigungssichtbarkeit: Entwerfen und Erstellen von Dashboards, die Prozess- und Designingenieuren, Fertigungsmitarbeitern und der Führungsebene Echtzeit-Einblicke in Wafer-Ausbeute, Prozesskontrollmetriken, schichtweise Leistung und Trends in der Gerätecharakterisierung geben.
• Entwickeln von geplanten und bedarfsorientierten Berichten, die umsetzbare Fertigungsinformationen (Ausbeutenausreißer, parametrischer Drift, Losgenealogie und Vergleiche zwischen Durchläufen) ohne manuelle Datenaufbereitung bereitstellen.
• Selbstbedienungs-Datenzugriffstools und gut dokumentierte Datensätze erstellen, damit Ingenieure ihre eigenen Fragen schnell beantworten können.
• Mit Charakterisierungs- und Prozess-Teams zusammenarbeiten, um die KPIs, Kontrollkarten und Echtzeit-Datenvisualisierungen, statistische Prozesskontrollansichten (SPC), die für die tägliche Entscheidungsfindung in der Fertigung am wichtigsten sind, zu definieren.
• Die Berichtsebene kontinuierlich verbessern, während neue Prozessschritte, Messarten und Gerätegenerationen eingeführt werden.

• Fertigungsanalytik, Ausbeute & Prozessoptimierung: Statistische Modelle und maschinelle Lernpipelines entwickeln, die sich auf die Analyse der Wafer-Ausbeute konzentrieren.
• Prozessoptimierungsmodelle entwickeln, die upstream Prozessparameter mit downstream Geräteleistungen korrelieren, um Analysen des Versuchsdesigns (DOE) und Ursachenuntersuchungen zu unterstützen.
• Systeme zur Anomalieerkennung erstellen, die außer Kontrolle geratene Prozessbedingungen frühzeitig kennzeichnen, bevor sie zu Ausbeuteverlusten oder Gerätefehlern führen.
• Modelle in Python mit Bibliotheken wie scikit-learn oder PyTorch erstellen, bewerten und iterieren.
• Aktuell bleiben mit Fortschritten in wissenschaftlichem ML und Halbleiterprozessanalytik; aufkommende Methoden anwenden, wo sie echte Verbesserungen gegenüber bestehenden Ansätzen bieten.

• Zusammenarbeit & Dokumentation: Eng mit dem Leiter der Datenabteilung, Charakterisierungsingenieuren und Prozess-Teams zusammenarbeiten, um die Datenbedürfnisse zu verstehen und in gut umschriebene Ingenieurarbeiten zu übersetzen.
• Klare Dokumentation der Pipeline-Logik, Modelldefinitionen, Datensatz-Schemas und bekannten Datenqualitätsprobleme pflegen.
• Fortschritte, Blockaden und Erkenntnisse klar schriftlich kommunizieren; zu einer Kultur der Transparenz und des Wissensaustauschs in den Daten- und Engineering-Teams beitragen.

Was Sie mitbringen:

• Ein kürzlich graduierter oder Branchenexperte mit einem Abschluss in Informatik, Datenwissenschaft, Statistik, Physik, Ingenieurwesen oder einem verwandten quantitativen Bereich.
• Hintergrund in physikalischen Wissenschaften, Physik, Photonik, Ingenieurwesen, Chemie.
• Starke Python-Kenntnisse – Sie schreiben sauberen, wartbaren Code und sind mit der Arbeit in einem gemeinsamen Code-Repository mit Versionskontrolle vertraut.
• Solide SQL-Grundlagen: Sie können komplexe Abfragen schreiben, über die Abfrageleistung nachdenken und ein sinnvolles Schema entwerfen.
• Vertrautheit mit Cloud-Datenplattformen (AWS oder GCP bevorzugt), einschließlich Objektspeicher, verwalteter Berechnung und cloud-nativer Datenservices.
• Erfahrung mit Data Warehousing, Apache Iceberg und Cloud-Objektspeicher (AWS S3 oder GCP GCS).
• Einige praktische Erfahrungen mit Datenpipeline-Tools (DBT, Dagster oder ähnliches).
• Ein funktionales Verständnis der Grundlagen des maschinellen Lernens: Sie haben Modelle trainiert, sie ordnungsgemäß bewertet und sorgfältig über Überanpassung, Leakage und Generalisierung nachgedacht.
• Neugier auf LLMs und KI-Agenten.
• Eine rigorose, detailorientierte Denkweise, und Sie nehmen Datenqualität ernst.

Startup-Mentalität:

• Eine ergebnisorientierte Denkweise mit einer Leidenschaft für Innovation und Problemlösung. Sie sind proaktiv, übernehmen Verantwortung für Ihre Erfolge und Misserfolge und gedeihen in einem dynamischen Umfeld.

Kommunikation:

• Ausgezeichnete schriftliche und mündliche Kommunikationsfähigkeiten. Fließend in Englisch ist erforderlich.

Was wir bieten:

• Wettbewerbsfähiges Vergütungs- und Leistungspaket, einschließlich eines Mitarbeiteraktienoptionsplans (ESOP), vollständig abgedecktem Säule Zwei und großzügigem Urlaub.
• Eine einzigartige Gelegenheit, eine bahnbrechende Fertigungsinitiative im schnell wachsenden Bereich der Photonik zu leiten.
• Ein kollaboratives und innovatives Arbeitsumfeld, in dem Ihre Beiträge die Zukunft der Telekommunikation, Datacom und darüber hinaus gestalten werden.
• Werden Sie ein Schlüsselspieler in einem Startup in der frühen Phase und schließen Sie sich einem jungen, motivierten und energiegeladenen Team an. Sie haben die einzigartige Gelegenheit, Ihre beruflichen Fähigkeiten schnell zu entwickeln und auszubauen.

Abschließende Gedanken:

Wir würden uns freuen, von Ihnen zu hören, wenn Sie leidenschaftlich daran interessiert sind, neue Technologien von Grund auf zu entwickeln und in einem kollaborativen und ergebnisorientierten Umfeld zu gedeihen.

Lightium ist ein Arbeitgeber, der Chancengleichheit bietet. Wir feiern Vielfalt und setzen uns dafür ein, ein integratives Umfeld für alle Mitarbeiter zu schaffen.