ML Engineer (Computer Vision & ML Ops) in Berlin

StellDirVor ist ein unabhängiges Beratungs-, Handels- und Technologieunternehmen, das sich auf immersive Technologien im Gesundheitswesen spezialisiert hat. Wir unterstützen Organisationen bei der Implementierung digitaler Innovationen – Virtuelle, Erweiterte und Gemischte Realität sowie KI – insbesondere für Lernen, Training und Echtzeithilfe in klinischen und Pflegeumgebungen. Durch die Kombination von Technologie und Gesundheitswesen helfen wir, Prozesse zu optimieren, den Wissenstransfer zu verbessern und die Qualität der Pflege zu erhöhen.

Unterstützt durch einen deutschen (ZIM) und taiwanesischen (GIPIP) Partnerschaftszuschuss entwickeln wir derzeit ARAIAS – ein AR- und KI-basiertes, freihändiges Trainings- und Unterstützungssystem für die chronische Wundversorgung. Mit AR-Smart-Brillen ermöglicht das System die 3D-Erfassung, KI-unterstützte Analyse und standardisierte Fernexpertise sowie Dokumentation direkt am Ort der Versorgung.

Als unser ML Engineer (Computer Vision & ML Ops werden Sie die KI-Fähigkeiten im Kern von ARAIAS aufbauen: Evaluierung und Feinabstimmung von Computer Vision-Modellen auf Daten von Smart-Brillen, Durchführung der ML-Operationen dahinter und Anwendung generativer KI zur Erstellung synthetischer medizinischer Bilder für Bildungszwecke. Wir befinden uns in einer frühen Phase – vom Konzept zum funktionierenden Prototyp – daher liegt der kurzfristige Fokus auf der Validierung von Modellen und dem Aufbau eines Proof of Concept, den wir in realen Bildungs- und klinischen Umgebungen testen können.

Als Teil eines kleinen Teams sind Sie für den gesamten Datenlebenszyklus von Anfang bis Ende verantwortlich – von der Beschaffung, Einwilligung und Annotation bis hin zur Vorbereitung – neben der Modellentwicklung und -bereitstellung. Wir begrüßen Kandidaten mit unterschiedlichen Erfahrungslevels. Was am wichtigsten ist, ist eine solide ML-Grundlage und ein echtes Bewusstsein für den Bereich der medizinischen Bildgebung.

Aufgaben:

• Auswahl und Benchmarking vortrainierter Modelle und/oder validierter Architekturen für die medizinische Bildanalyse und Anpassung an domänenspezifische Daten, um eine robuste Leistung unter realen Bedingungen sicherzustellen.
• Identifizierung und Anpassung geeigneter generativer KI-Modelle zur Erstellung realistischer synthetischer medizinischer Bilder für Bildung und Training.
• Evaluierung und Feinabstimmung kleiner Sprachmodelle (SLMs) für die Sprachinteraktion – Sprach-zu-Text, Intent-Verständnis und Text-zu-Sprache – optimiert für niedrige Latenz oder den Einsatz auf Geräten mit Smart-Brillen.
• Forschung und Bewertung von modernen ML-Modellen und aufkommenden Trends, einschließlich erklärbarer KI (XAI), Cybersicherheit für ML und Bereitstellungs- und Verteilungsmodi (Edge vs. Cloud, föderiertes Lernen, Modellkompression).
• Planung und Durchführung der ML-Operations-Pipeline – Datensammlung, Annotation, Vorbereitung, Training, Test und Bereitstellung.
• Vorschlag einer Datensammlungsstrategie – Forschung geeigneter öffentlicher und klinischer Datenquellen, Empfehlung von Patienten-Einwilligungen und anderen administrativen Anforderungen für das ML-Training (z.B. Datenschutzvereinbarungen, Ethikgenehmigungen) und Definition von Sammel- und Annotationsprotokollen mit klinischen Experten, einschließlich Kennzeichnungsrichtlinien und Qualitätsprüfungen.
• Identifizierung und Validierung von Faktoren, die die Modellleistung beeinflussen – Bildbedingungen, Datensatzverzerrung, Patientendiversität, Datenschutz und regulatorische Anforderungen.
• Definition von Teststrategien und Metriken sowie Validierung der Modelloutputs gegen die Bewertungen von Klinikern.
• Durchführung von Build-vs-Buy-Analysen für Modelle, Tools und Dienstleistungen, einschließlich Kostenvergleich.
• Schätzung von Rechen- und Trainingskosten und Vorschlag von Budgets für Modelltraining und -bereitstellung.
• Wahl und flexible Einrichtung von Trainingsumgebungen – lokale Hardware oder Cloud – basierend auf Kosten, Datenschutz und Leistung.
• Pragmatische technische Entscheidungen treffen, die für die aktuelle Prototyping-Phase angemessen sind, und Ergebnisse klar dokumentieren.
• Pflege klarer, nachvollziehbarer Dokumentationen von Datenquellen, Modellen, Experimenten und Designentscheidungen zur Unterstützung von Audits und Qualitätsprüfungen.
• Bewertung und Integration zusätzlicher Sensoren, wo möglich (z.B. Tiefe, LiDAR, Wärme, multispektral) und deren Fusion mit RGB-Eingaben.

Anforderungen:

• Must-Have: Abschluss in Informatik, Datenwissenschaft, Biomedizinischer Technik, Mathematik oder einem verwandten Bereich – oder gleichwertiger praktischer Hintergrund.
• Starke Python-Kenntnisse und praktische Erfahrung mit PyTorch, OpenCV oder TensorFlow.
• Solides Verständnis von Computer Vision – Klassifikation, Objekterkennung und Bildsegmentierung, 3D-Rekonstruktion und Mehransicht-Geometrie.
• Praktische Kenntnisse im Transferlernen – Anpassung vortrainierter Modelle und Feinabstimmung auf benutzerdefinierten Datensätzen.
• Kenntnisse des gesamten ML-Lebenszyklus – Datenvorbereitung, Training, Evaluierung und Bereitstellung.
• Grundkenntnisse über generative Modelle (Diffusionsmodelle oder GANs) und gängige Open-Source-Bibliotheken.
• Komfortabel beim Training von Modellen sowohl lokal (GPU-Arbeitsstation) als auch auf Cloud-Plattformen.
• In der Lage, ML-Rechenkosten zu schätzen und Build-vs-Buy-Optionen zu vergleichen, um Budgetentscheidungen zu unterstützen.
• Bewusstsein für Herausforderungen in der medizinischen Bildgebung – begrenzte Daten, Variabilität der Labels zwischen Klinikern und Klassenungleichgewicht.
• Bewusstsein für Datenschutz und Ethik im Gesundheitswesen (z.B. DSGVO, Patienten-Einwilligung, Anonymisierung) und warum Erklärbarkeit und Verzerrung in der klinischen KI wichtig sind.
• In der Lage, Forschungspapiere zu lesen und pragmatisch anzuwenden.
• Selbstständig und pragmatisch – in der Lage, Initiative zu ergreifen und Probleme von Anfang bis Ende in einem schlanken Team zu lösen.
• Fließend in Englisch – Deutsch ist ein Plus.

Starke Pluspunkte:

• Projekte oder Studiengänge in medizinischer Bildgebung oder klinischer KI.
• Vertrautheit mit semi-supervised Learning – Nutzung begrenzter oder teilweise gekennzeichneter Daten.
• Erfahrung mit 3D-Datenverarbeitung – Tiefenkarten, Punktwolken oder Mesh-Rekonstruktion.
• Einblick in multimodales Lernen – Kombination von RGB- und Tiefen- oder LiDAR-Daten.
• Edge AI oder tragbare Bereitstellung (z.B. TensorFlow Lite, ONNX, Modellquantisierung).
• Kenntnisse über Erklärbarkeitsmethoden (z.B. Grad-CAM, SHAP) oder adversarielle Robustheit.
• Vertrautheit mit MLOps-Tools (z.B. MLflow, Weights & Biases, DVC, Docker).
• Bewusstsein für die Regulierung medizinischer Geräte für KI-Software (z.B. EU MDR, IEC 62304).
• Vertrautheit mit kleinen Sprachmodellen (SLMs) und Sprachpipelines (z.B. Whisper, sprachgesteuerte Erkennung und Text-zu-Sprache).

Vorteile:

• Bedeutsame Arbeit – Sie helfen dabei, wie Technologie Bildung und Training im Gesundheitswesen neu definiert, mit echtem Einfluss auf klinische Ergebnisse.
• Eigenverantwortung und kreative Freiheit – Sie arbeiten autonom, bringen Ihre Ideen direkt ein und haben ein Mitspracherecht bei der Gestaltung des Systems.
• Eine Lernkultur – Wir unterstützen persönliches und berufliches Wachstum durch Wissensaustausch, Zugang zu innovativen Werkzeugen und Methoden sowie ein festgelegtes Lernbudget.
• Flexible Arbeitsweise – Remote-freundliche Einrichtung mit der Möglichkeit, von unserem Büro in München aus zu arbeiten.
• Flache Hierarchien und Teamgeist – Ein kleines, offenes und vertrauensvolles Team, in dem die Kommunikation direkt ist und jede Stimme zählt.
• Internationale Zusammenarbeit – Arbeiten Sie mit einem in Taiwan ansässigen Partner zusammen, der Technologie, Hardware und Forschung abdeckt.

Wir können nur auf Kandidaten antworten, die für eine weitere Berücksichtigung ausgewählt wurden. Wenn Sie innerhalb von vier Wochen nach Ihrer Bewerbung nichts von uns gehört haben, betrachten Sie Ihre Bewerbung bitte als nicht erfolgreich.