Principal ML Platform Engineer

Synthesia ist die weltweit führende KI-Video-Plattform für Unternehmen, die von über 90 % der Fortune 100 genutzt wird. Gegründet im Jahr 2017 hat das Unternehmen seinen Hauptsitz in London und Büros sowie Teams in Europa und den USA. Synthesia entwickelt Produkte, um die visuelle Kommunikation und die Entwicklung von Unternehmensfähigkeiten zu verbessern, damit Menschen besser arbeiten und im Mittelpunkt erfolgreicher Organisationen stehen können.

Wir suchen einen erfahrenen Ingenieur, der dem ML Platform-Team bei Synthesia beitritt. Unser Team baut und betreibt die Systeme, die es Forschern und Produktteams ermöglichen, generative Modelle zuverlässig und effizient zu trainieren, bereitzustellen und einzusetzen. Dazu gehören Forschungsinfrastrukturen, Produktionssysteme, interne Werkzeuge und die Plattform-Schnittstellen, die sie verbinden. Ein wachsender Teil unserer Mission besteht darin, diese Systeme automatisierungsfreundlicher und agentenorientierter zu gestalten, sodass Arbeitsabläufe zunehmend durch zuverlässige Werkzeuge anstelle manueller Anstrengungen betrieben werden können.

Wir suchen einen starken Generalisten mit einer systematischen Denkweise: jemanden, der sich wohlfühlt, wenn er über Infrastruktur, Backend-Systeme und Werkzeuge hinweg arbeitet und der ML-Systeme in der Praxis gesehen hat. Dies ist keine reine ML-Ingenieurrolle. Wir sind besonders an Personen interessiert, die tief über Zuverlässigkeit, Skalierbarkeit, Leistung und Ressourceneffizienz in komplexen Produktionsumgebungen nachdenken.

Dies ist eine praktische Senior-IC-Rolle mit erheblichem Verantwortungsbereich. Sie werden helfen, wie sich unsere ML-Plattform entwickelt, während wir die Anzahl der Modelle, Arbeitslasten, Werkzeuge und Teams, die darauf angewiesen sind, skalieren.

Was Sie tun werden:

• Entwerfen und Verbessern der Plattform-Systeme, die das Modelltraining, die Evaluierung und die Produktionsbereitstellung unterstützen.
• Aufbauen von Infrastrukturen und Werkzeugen, die ML-Arbeitslasten zuverlässiger, skalierbarer und kosteneffizienter machen.
• Entwickeln interner Werkzeuge und Arbeitsabläufe, die sowohl von Menschen als auch von Agenten einfach zu bedienen sind.
• Arbeiten an der Architektur, wie Modelle in Forschungs- und Produktionsumgebungen bereitgestellt, bedient und betrieben werden.
• Verbessern, wie wir Arbeitslasten, die auf GPUs und Cloud-Infrastruktur laufen, planen, überwachen und debuggen.
• Entwickeln interner Werkzeuge und Abstraktionen sowie agentenbasierter Systeme, die den operativen Aufwand für Forscher und Ingenieure reduzieren.
• Verbesserungen in den Bereichen Beobachtbarkeit, Automatisierung, Zuverlässigkeit und Entwicklererfahrung vorantreiben.
• Eng mit Forschern und Produktingenieuren zusammenarbeiten, um Schmerzpunkte zu verstehen und in robuste Plattformfähigkeiten umzuwandeln.
• Zur technischen Richtung beitragen und pragmatische architektonische Kompromisse eingehen, während die Plattform wächst.

Sie werden in dieser Rolle erfolgreich sein, wenn Sie:

• Starke Erfahrung im Aufbau oder Betrieb von Produktionssystemen mit Fokus auf Zuverlässigkeit, Skalierbarkeit und Wartbarkeit haben.
• Eine systematische Denkweise haben: Sie denken natürlich in Bezug auf Engpässe, Fehlermodi, Schnittstellen, Ressourcennutzung und langfristige Betriebsfähigkeit.
• Solide praktische Erfahrung mit Cloud-Infrastruktur, Linux und Infrastrukturautomatisierung haben.
• Erfahrung mit Kubernetes und dem Betrieb verteilter Arbeitslasten in der Produktion haben.
• Starke Programmierkenntnisse, idealerweise in Python oder ähnlichen Sprachen, die für Backend-Systeme und Werkzeuge verwendet werden.
• Gutes Urteilsvermögen darüber haben, wo Automatisierung Hebelwirkung hat und wo menschliche Kontrolle und Zuverlässigkeit am wichtigsten sind.
• Erfahrung im Aufbau interner Plattformen, Entwicklerwerkzeuge oder Infrastrukturabstraktionen haben, die von anderen Ingenieuren genutzt werden.
• Komfortabel in unklaren Umgebungen arbeiten und Verantwortung für offene technische Probleme übernehmen.
• Eine pragmatische Herangehensweise haben: Ihnen liegt daran, das richtige Problem gut zu lösen, nicht übermäßige Ingenieurskunst.

Besonders relevante Erfahrungen:

• Betrieb von ML-Infrastrukturen oder Modellbereitstellungssystemen in der Produktion.
• Unterstützung von forschungs- oder dateninintensiven Arbeitslasten.
• Arbeiten mit GPU-basierten Systemen oder anderer leistungsintensiver Infrastruktur.
• Erfahrung mit Beobachtbarkeit und Debugging in verteilten Systemen.
• Vertrautheit mit Terraform, Datadog, GitHub Actions oder ähnlichen Werkzeugen.

Bonuspunkte für:

• Erfahrung im Aufbau agentenbasierter oder LLM-gesteuerter interner Werkzeuge.
• Erfahrung mit Workflow-Orchestrierungssystemen wie Temporal.
• Erfahrung an der Schnittstelle zwischen Forschung und Produktionsengineering.
• Vertrautheit mit Leistungsoptimierung, Planung oder Ressourcenallokationsproblemen.
• Erfahrung im Aufbau leichter Produkt- oder entwicklerorientierter Werkzeuge.