Senior ML Engineer

In dieser Rolle entwerfen, bauen und betreiben Sie skalierbare, produktionsreife ML-Systeme. Sie arbeiten an der Schnittstelle von Machine Learning Engineering, MLOps und cloud-nativer Infrastruktur, um die erfolgreiche Bereitstellung und den Betrieb von KI-Lösungen in großem Maßstab für einen führenden britischen Lebensmittelhändler zu ermöglichen. Sie werden eng mit Data Scientists, Ingenieuren und Architekten zusammenarbeiten, um ML-Prototypen in zuverlässige, sichere und wartbare Produktionssysteme zu transformieren. Diese Rolle kombiniert tiefgehende technische Expertise mit operativer Verantwortung, Leistungsoptimierung und ingenieurtechnischer Führung.

Verantwortlichkeiten

• Entwerfen, bauen und warten von skalierbaren, produktionsreifen ML-Pipelines und -Infrastrukturen
• Leiten der End-to-End-Bereitstellung von ML-Modellen von der Experimentierung über die Produktionsfreigabe bis hin zum laufenden Betrieb
• Übersetzen von Data Science-Prototypen in robuste, wartbare und produktionsbereite ML-Dienste
• Treffen von Architektur- und Werkzeugentscheidungen unter Berücksichtigung von Skalierbarkeit, Leistung, Zuverlässigkeit und Wartbarkeit
• Integrieren von ML-Lösungen in Unternehmensanwendungen und cloud-native Umgebungen
• Einrichten und Pflegen von CI/CD-Pipelines für ML-Systeme und -Infrastrukturen
• Implementieren von Modellversionierung, Experimentverfolgung, Überwachung, Alarmierung und automatisierten Retraining-Workflows
• Sicherstellen einer hohen Verfügbarkeit, Zuverlässigkeit, Beobachtbarkeit und operativen Stabilität von ML-Diensten in der Produktion
• Definieren und Implementieren von Standards zur Überwachung der Modellleistung, Drift-Erkennung und Systemgesundheit
• Optimieren von Inferenzpipelines hinsichtlich Latenz, Durchsatz, Skalierbarkeit und Kosteneffizienz

Anforderungen

• Expertenkenntnisse in Python und starke Erfahrung mit modernen ML-Frameworks und produktionsreifen ML-Anwendungen
• Starke Erfahrung mit Cloud-Plattformen wie AWS und/oder Azure
• Praktische Erfahrung mit Containerisierungs- und Orchestrierungstechnologien, einschließlich Docker und Kubernetes (EKS/AKS)
• Erfahrung mit Infrastructure as Code-Tools wie Terraform
• Tiefes Verständnis der MLOps-Praktiken, einschließlich:
• CI/CD-Pipelines (z.B. GitHub Actions)
• Modellversionierung und Experimentverfolgung (z.B. MLflow)
• Workflow-Orchestrierungstools wie Airflow
• Automatisierte Bereitstellung, Überwachung und Retraining-Workflows
• Starke Grundlagen in der Softwareentwicklung, einschließlich Git, Tests, Code-Reviews, Dokumentation und wartbaren Programmierpraktiken
• Erfahrung in der Implementierung von Überwachung und Beobachtbarkeit für:
• Modellleistungsverfolgung
• Daten- und Konzeptdrift-Erkennung
• Systemmetriken, Protokollierung und Alarmierung
• Solides Verständnis der Grundlagen des Datenengineering, einschließlich Datenpipelines, Integration, Transformation und Datenqualitätsprozesse (z.B. DBT, Kafka)