ML Engineer, Open Source

Wer wir sind: Foundation-Modelle haben Text und Bilder transformiert, aber strukturierte Daten - die größte und bedeutendste Datenmodalität der Welt - sind unberührt geblieben. Tabellen steuern jede klinische Studie, jedes Finanzmodell, jedes wissenschaftliche Experiment und jede Geschäftsentscheidung. Niemand hat ein Foundation-Modell entwickelt, das sie wirklich versteht. Bis jetzt. Was LLMs für Sprache getan haben, tun wir für Tabellen.

Momentum: Wir haben tabellarische Foundation-Modelle pioniert und sind nun die weltweit führende Organisation im Bereich strukturierte Daten-ML. Unser TabPFN v2-Modell wurde in Nature veröffentlicht und hat einen neuen Stand der Technik für tabellarisches maschinelles Lernen gesetzt. Seit seiner Veröffentlichung haben wir die Modellfähigkeiten um mehr als das 20-fache skaliert, über 3 Millionen Downloads erreicht, 6.000+ GitHub-Sterne erhalten und sehen eine beschleunigte Akzeptanz in Forschung und Industrie - von der Erkennung von Lungenerkrankungen mit Oxford Cancer Analytics bis zur Verhinderung von Zugausfällen mit Hitachi und der Verbesserung von Entscheidungen in klinischen Studien mit BostonGene.

Die schwierigste Arbeit liegt vor uns. Wir skalieren tabellarische Foundation-Modelle, um Millionen von Zeilen, Tausende von Merkmalen, Echtzeitinferenz und völlig neue Datenmodalitäten zu bewältigen - während wir die Infrastruktur aufbauen, um sie in Produktion in einigen der anspruchsvollsten Branchen der Welt einzusetzen. Dies sind offene Probleme, an denen sonst niemand auf diesem Niveau arbeitet.

Unser Team: Wir sind ein kleines, hochselektives Team von über 20 Ingenieuren und Forschern, ausgewählt aus über 5.000 Bewerbungen, mit Hintergründen von Google, Apple, Amazon, Microsoft, G-Research, Jane Street, Goldman Sachs und CERN, geleitet von Frank Hutter, Noah Hollmann und Sauraj Gambhir und beraten von weltweit führenden KI-Forschern wie Bernhard Schölkopf und Turing-Preisträger Yann LeCun. Wir liefern schnell, schaffen erstklassige Forschung und halten uns gegenseitig an einen extrem hohen Standard.

Was kommt als Nächstes: Im Jahr 2025 haben wir 9 Millionen Euro Pre-Seed von Balderton Capital gesammelt, unterstützt von Führungspersönlichkeiten von Hugging Face, DeepMind und Black Forest Labs. Der nächste Modalitätswechsel in der KI findet statt - und wir stellen das Team ein, das es möglich macht.

Über die Rolle: Die meisten Unternehmen betrachten Open Source als Nebenjob für Forscher, die lieber etwas anderes tun würden. Wir denken, dass das falsch ist. Prior Labs ist in Open Source verwurzelt - TabPFN begann als Forschungsprojekt, das von der Community übernommen wurde, und so wurden wir zu einem Unternehmen.

Sprachmodelle und Bildmodelle hatten Jahre Zeit, um ihre Ökosystem-Schnittstellen und Integrationen auszubauen. Für tabellarische Foundation-Modelle existiert das noch nicht. Sie stecken nicht in bestehenden Mustern fest - Sie schaffen sie. Das Engineering ist wirklich schwierig: TabPFN macht In-Context-Learning, nicht traditionelles Fit/Predict, sodass es bedeutet, Probleme zu lösen, die keine andere Bibliothek gelöst hat. Sie entwerfen APIs für ein Modell, dessen Architektur sich schneller weiterentwickelt, als Benutzer aktualisieren können, und machen die Inferenz robust gegenüber dem vollen Chaos realer tabellarischer Daten. Sie verstehen das Modell tief genug, um zurückzudrängen, wenn etwas downstream kaputtgehen wird, und Sie kümmern sich genug um die Details, um großartige Dokumentationen und Fehlermeldungen über großartigem Code zu schreiben.

Woran Sie arbeiten werden:

• Entwurf von sklearn-kompatiblen APIs rund um ein Foundation-Modell, das sich nicht wie ein traditioneller Schätzer verhält - lösen Sie die schwierigen Abstraktionsprobleme, damit die Schnittstelle einfach erscheint
• Aufbau und Wartung der PyTorch-Serialisierung, HuggingFace Hub-Modellverteilung und Checkpoint-Management über ein Multi-Modell-, Multi-Version-Ökosystem
• Erstellung von MCP- und Tool-Wrappern für agentische KI-Pipelines
• Modellnahe ML-Engineering: Vorverarbeitungspipelines, Inferenz-Wrapper, dtype-Verwaltung, Edge-Case-Härtung gegen reale Daten
• Verantwortung für Releases, CI, Tests und Dokumentation im gesamten TabPFN-Ökosystem - TabPFN (Kern), tabpfn-client, tabpfn-extensions, tabpfn-time-series
• Allgemeines ML-Engineering: Benchmarking, Evaluierungspipelines, Datenladen, Werkzeuge, die das Team schneller machen

Sie könnten gut passen, wenn Sie:

• Über 3 Jahre Erfahrung im Aufbau und in der Wartung von Python-Paketen oder ML-Bibliotheken haben, die von anderen verwendet werden (starker Open-Source-Hintergrund bevorzugt)
• Tiefe Kenntnisse in PyTorch, scikit-learn, pandas, NumPy - deren Interna, Erweiterungspunkte und Fehlerquellen, nicht nur deren APIs
• Starke Softwaretechnik: Testing, CI/CD, Packaging (pyproject.toml, uv), semantische Versionierung, Unterstützung mehrerer Python-Versionen
• Komfortabel im Lesen und Arbeiten mit Modellcode - Vorwärtsdurchläufe, Checkpoint-Laden, Inferenzoptimierung - und Meinungen dazu bilden
• Solide ML-Grundlagen: genug, um korrekte Vorverarbeitung zu schreiben, Datenleckagen zu erkennen und bei Designentscheidungen, die downstream brechen, zurückzudrängen
• Echtes Interesse an der Entwicklererfahrung: Sie schreiben großartige Dokumentationen und Fehlermeldungen, weil Sie denken, dass sie Ingenieurarbeit sind, keine Aufgaben

Bonus:

• Betreuer oder bedeutender Mitwirkender an einer beliebten Open-Source-ML/Datenbibliothek
• Starke KI-Tool-Fähigkeiten - Sie verwenden Claude Code, Cursor oder ähnliche Werkzeuge fließend, um schnell zu arbeiten
• MCP-Server- oder Tool-Integrations-Erfahrung
• Erfahrung in der HuggingFace Hub-Modellverteilung
• Hintergrund in tabellarischen Daten, AutoML oder Zeitreihen
• Erfahrung im Debuggen plattformübergreifender Pakete oder im Beitrag zum Kern von PyTorch/sklearn

Unsere Verpflichtungen: Wir glauben, dass die besten Produkte und Teams aus einer Vielzahl von Perspektiven, Erfahrungen und Hintergründen entstehen. Deshalb begrüßen wir Bewerbungen von Menschen aller Identitäten und Lebenswege, insbesondere von allen, die sich jemals durch "nicht alle Kästchen abhaken" entmutigt gefühlt haben. Wir verpflichten uns, ein sicheres, integratives Umfeld zu schaffen und Chancengleichheit unabhängig von Geschlecht, sexueller Orientierung, Herkunft, Behinderungen oder anderen Eigenschaften, die Sie ausmachen, zu bieten.