Sr. Machine Learning Engineer

Als Senior ML Engineer im intelligenten AV-Pod sind Sie verantwortlich für die Evaluierung, Integration und Optimierung modernster Machine Learning-Modelle, die die Wahrnehmungs- und Bewusstseinsengine hinter Q-SYS VisionSuite antreiben. Diese Position betont starke Ingenieurausführung: systematisches Benchmarking externer und interner Modelle, Auswahl der richtigen Techniken für Produktionsbeschränkungen und Gewährleistung einer robusten Bereitstellung in Echtzeit, ressourcenbeschränkten AV-Umgebungen.

Sie arbeiten eng mit ML-, Robotik- und Software-Ingenieuren zusammen, um VisionSuite als zuverlässige, wartbare und leistungsstarke Lösung für intelligente Besprechungsräume und intelligente Gebäude weiterzuentwickeln. Diese Position ist in Zürich, Schweiz (hybrid) angesiedelt.

Ihr Mindset

• Engineering-First ML Practitioner: Sie priorisieren Robustheit, Zuverlässigkeit und Wartbarkeit über Neuheit.
• Starker Software-Ingenieur: Sie entwerfen modulare, testbare und erweiterbare Systeme und wenden konsequent bewährte Praktiken der Softwareentwicklung an.
• Produktionsorientierter Denker: Sie berücksichtigen Latenz, Speicher, Hardwarebeschränkungen, Beobachtbarkeit und Lebenszyklusmanagement von Anfang an.
• Datengetriebener Evaluator & Pragmatiker: Sie behandeln Daten als erstklassige Komponente des Systems, entwerfen robuste Evaluierungsdatensätze und benchmarken rigoros Alternativen, um Lösungen basierend auf messbaren Trade-offs auszuwählen.
• System-Level Collaborator: Sie denken über das Modell hinaus und verstehen, wie ML-Komponenten mit Robotik, Steuerlogik und verteilten AV-Systemen interagieren.

Verantwortlichkeiten

• Bewerten und benchmarken Sie modernste ML-Modelle und Algorithmen für Wahrnehmung, Verfolgung und multimodale Wahrnehmung.
• Entwerfen und pflegen Sie reproduzierbare Evaluierungspipelines zur Messung der Modellleistung, Latenz, Speicherbedarf und Robustheit.
• Integrieren Sie ML-Modelle in Produktionssysteme in Zusammenarbeit mit Robotik- und Plattformteams.
• Optimieren Sie Inferenzpipelines für Echtzeitleistung auf eingeschränkter Hardware (CPU/GPU/Edge-Geräte, Q-SYS Cores).
• Verbessern Sie die Modelleffizienz durch Quantisierung, Pruning, Distillation und Laufzeitanpassungstechniken.
• Schreiben Sie produktionsgerechten Python (und C++ wo angemessen) unter Beachtung sauberer Architektur und modularer Entwurfsprinzipien.
• Tragen Sie zu CI/CD-Pipelines, automatisierten Tests, Regressionvalidierung und Leistungsüberwachung für ML-Komponenten bei.
• Gewährleisten Sie Reproduzierbarkeit, Versionierung und Nachverfolgbarkeit von Modellen, Datensätzen und Experimenten.
• Zusammenarbeiten, um vielversprechende Prototypen in skalierbare Produktionssysteme zu industrialisieren.
• Arbeiten Sie mit Produkt- und Systemarchitekten zusammen, um ML-Lösungen mit Hardware- und Produkt-Roadmap-Beschränkungen in Einklang zu bringen.

Qualifikationen

• MSc oder PhD in Informatik, Ingenieurwesen, Robotik oder einem verwandten technischen Bereich.
• 5+ Jahre praktische Erfahrung in der Machine Learning-Entwicklung oder in angewandten ML-Rollen.
• Nachweisliche Erfahrung in der Integration von ML-Modellen in Produktionssysteme.
• Starke Kenntnisse in Python und modernen ML-Frameworks (PyTorch, TensorFlow, ONNX).
• Solide Grundlagen in der Softwareentwicklung, einschließlich modularer Gestaltung, Code-Reviews, Teststrategien und CI/CD.
• Erfahrung in der Optimierung von Modellen für Echtzeit- oder ressourcenbeschränkte Umgebungen.
• Verständnis der systemweiten Trade-offs in latenzsensitiven oder verteilten Architekturen.
• Fähigkeit, unabhängig zu arbeiten und technische Entscheidungen innerhalb architektonischer Richtlinien zu treffen.
• Starke Kommunikationsfähigkeiten und Erfahrung in der Zusammenarbeit in funktionsübergreifenden Ingenieurteams.

Bevorzugte Erfahrungen

• Erfahrung mit Computer Vision, Tracking oder multimodalen Wahrnehmungssystemen.
• Erfahrung mit C++ in leistungsorientierten Umgebungen.
• Vertrautheit mit AV-Systemen, Medienpipelines oder robotikorientierten Architekturen.
• Exposition gegenüber ROS, TensorRT oder MLOps-Tools (MLflow, Weights & Biases, Docker).