Senior AI/ML Engineer in Zürich

Diese Rolle ist auch für Kandidaten mit Wohnsitz in der EU oder EEA offen. Bewerbungen aus anderen Regionen können wir nicht berücksichtigen.

Wenn Sie bereits etwas aufgebaut haben, starten Sie hier. Die meisten ML-Jobs geben Ihnen einen Benchmark. Dieser gibt Ihnen ein Geschäftsproblem mit zahlenden Kunden und deren echten Daten. Bauangebote sind lang, unübersichtlich und voller Fachjargon, und jede Entscheidung, die ein Kunde auf unserer Plattform trifft, wird zu einem gekennzeichneten Beispiel, auf dem Sie trainieren können. Wir benötigen jemanden, der diese Daten in Modelle umwandeln kann, die den Kunden auffallen: vom ersten Experiment bis zur Bereitstellung des Modells im Produktionsverkehr und zurück, wenn ein Kunde sagt, dass es etwas falsch gemacht hat.

Über Scalera: Scalera ist ein Spin-off der ETH Zürich, das KI für die über 200 Milliarden Euro schwere europäische Bauindustrie entwickelt. Hersteller, Großhändler und Lieferanten in der Schweiz, Österreich und Deutschland erledigen immer noch die meisten dokumentenintensiven Arbeiten von Hand, vom Lesen 300-seitiger Angebote bis hin zum erneuten Eingeben von Bestellungen in ihr ERP. Wir automatisieren diese Arbeit Schritt für Schritt, und ML steht im Mittelpunkt jedes einzelnen Prozesses.

Was Sie besitzen werden: Sie werden das ML hinter unseren Produkten, von Anfang bis Ende, besitzen. In der Praxis bedeutet das:

• Training und Feinabstimmung: Einbettungsmodelle, Reranker, Klassifizierer und LLMs, die auf unseren eigenen Daten trainiert werden.
• Dokumentenverständnis: Modelle, die Struktur, Mengen und Produktspezifikationen aus Angeboten, Bestellungen und Katalogen extrahieren.
• Produktabgleich: Abruf- und LLM-Agenten, die Angebotspositionen mit den richtigen Produkten abgleichen.
• Bewertung: Offline-Benchmarks, kundenindividuelle Bewertungen und Tore, die verhindern, dass ein neues Modell versendet wird, wenn es die Dinge verschlechtert.
• Trainings- und Bereitstellungsinfrastruktur: automatisierte Retrain-Pipelines, GPU-Bereitstellung und Vektorsuche in der Produktion.
• Kundenprobleme: Wenn ein Modell für einen Kunden etwas falsch macht, herausfinden, warum und es beheben.

Wie Erfolg nach 3 Monaten aussieht: Es gibt ein Modell oder einen Teil der Pipeline, an den die Leute jetzt denken, dass er Ihnen gehört, und Sie sind die Person, die entscheidet, was als Nächstes damit passiert. Sie haben ein Problem erkannt, das niemand von Ihnen verlangt hat zu lösen, haben dafür plädiert und eine erste Version veröffentlicht. Ein Modell, das Sie trainiert haben, läuft in der Produktion, und die Kunden können den Unterschied in ihren Ergebnissen sehen. Das Retraining läuft automatisch, und nichts erreicht die Kunden, ohne eine Bewertung zu bestehen, die Sie entworfen haben. Sie haben die Kosten oder die Latenz von LLMs gesenkt, indem Sie einen teuren Schritt durch ein kleineres Modell ersetzt haben. Sie haben entschieden, dass wir mindestens eine Sache einstellen sollten, die wir bauen.

Sie werden wahrscheinlich hier gedeihen, wenn: Sie etwas von Null auf Eins gebracht haben: ein Unternehmen, ein Modell in der Produktion oder ein Nebenprojekt mit echten Nutzern. Sie haben Modelle selbst trainiert und feinjustiert, idealerweise Einbettungen, Abruf- oder Dokumentenmodelle, und sie ehrlich auf zurückgehaltenen Daten bewertet. Sie haben mit LLMs in der Produktion gearbeitet und wissen, wo Agenten scheitern. Sie schreiben starken Python-Code und können das, was Sie bauen, ausführen: Docker, CI/CD und Cloud auf GCP, AWS oder Azure. Sie messen, bevor Sie glauben, und eine einzige aggregierte Punktzahl überzeugt Sie nicht. Sie würden lieber das tatsächliche Dokument eines Kunden öffnen, als auf eine Spezifikation zu warten. Sie fühlen sich wohl mit Unklarheiten. Sie können Fortschritte machen, während das Problem noch halb definiert ist, was in einem Startup normalerweise der Fall ist. Sie möchten einen großen Verantwortungsbereich und sind glücklich, Dinge zu besitzen, die weit über Ihren Jobtitel hinausgehen. Schnell wechselnde Anforderungen werfen Sie nicht aus der Bahn. Wenn Kunden oder Prioritäten sich ändern, passen Sie sich an und machen weiter. Sie genießen den direkten Kontakt mit Kunden und möchten an Kundenanrufen teilnehmen. Sie schreiben klar auf Englisch. Deutsch ist ein Plus, aber keine Voraussetzung.

Sie werden es wahrscheinlich nicht genießen, wenn: Sie möchten nur programmieren und nach Hause gehen. Sie sprechen nicht gerne mit Kunden. Unklarheiten und Chaos stören Sie. Sie möchten eine gut definierte Forschungsagenda, die Ihnen übergeben wird. Sie würden lieber ein Modell jemand anderem übergeben, um es bereitzustellen und zu debuggen. Ihr Hauptziel ist es, bald Menschen zu führen. Hier wächst der Umfang mit dem, was Sie besitzen, nicht mit der Anzahl der Mitarbeiter.

Unser Stack: Python und PyTorch, Open-Weight- und Frontier-LLMs, LangGraph, Langfuse, PostgreSQL mit pgvector, Pinecone und GCP. Sie müssen nicht alles am ersten Tag wissen.

Wie wir einstellen: Screening-Anruf (30 Minuten) mit unserem VP Engineering. Es ist zweiseitig: Fragen Sie uns alles, einschließlich der schwierigen Fragen. Technischer Deep-Dive-Anruf: Führen Sie uns durch ein Modell oder System, das Sie gebaut haben, die Entscheidungen, die Sie getroffen haben, und was in der Produktion schiefgelaufen ist. Meet Scalera Day: Kommen Sie in unser Büro in Zürich, arbeiten Sie an einem echten Problem mit echten (anonymisierten) Angebotsdaten und lernen Sie das Team kennen. Angebot: Wenn es auf beiden Seiten passt, werden wir schnell zu einem Angebot übergehen.

Arbeiten bei Scalera: Zürich HQ, vier Tage im Büro, freitags remote. Wenn Sie nicht in Zürich ansässig sind, ist diese Rolle remote innerhalb der EU oder EEA offen. Gelegentliche Kundenbesuche in der Schweiz, Österreich und Deutschland. Kleines Team, keine Bürokratie. Sie arbeiten direkt mit dem CEO, CTO, VP Engineering und Customer Success. Wettbewerbsfähiges Gehalt und bedeutendes Eigenkapital.