Senior ML Platform Engineer

Synthesia ist die weltweit führende KI-Video-Plattform für Unternehmen, die von über 90 % der Fortune 100 genutzt wird. Das Unternehmen wurde 2017 gegründet und hat seinen Hauptsitz in London, mit Büros und Teams in ganz 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 in der Infrastruktur, Backend-Systemen und Werkzeugen wohlfühlt 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 Sie die Plattform-Systeme, die das Training, die Bewertung und die Produktionsbereitstellung von Modellen unterstützen.
• Bauen Sie Infrastrukturen und Werkzeuge, die ML-Arbeitslasten zuverlässiger, skalierbarer und kosteneffizienter machen.
• Entwickeln Sie interne Werkzeuge und Arbeitsabläufe, die sowohl von Menschen als auch von Agenten einfach zu bedienen sind.
• Arbeiten Sie an der Architektur, wie Modelle bereitgestellt, bedient und in Forschungs- und Produktumgebungen betrieben werden.
• Verbessern Sie, wie wir Arbeitslasten, die auf GPUs und Cloud-Infrastruktur laufen, planen, überwachen und debuggen.
• Entwickeln Sie interne Werkzeuge und Abstraktionen sowie agentische Systeme, die den operativen Aufwand für Forscher und Ingenieure reduzieren.
• Treiben Sie Verbesserungen in den Bereichen Beobachtbarkeit, Automatisierung, Zuverlässigkeit und Entwicklererfahrung voran.
• Arbeiten Sie eng mit Forschern und Produktingenieuren zusammen, um Schmerzpunkte zu verstehen und in robuste Plattformfähigkeiten umzuwandeln.
• Tragen Sie zur technischen Richtung bei und treffen Sie pragmatische architektonische Entscheidungen, 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.
• Ein gutes Urteilsvermögen darüber haben, wo Automatisierung Vorteile bringt und wo menschliche Kontrolle und Zuverlässigkeit am wichtigsten sind.
• Erfahrung im Aufbau interner Plattformen, Entwicklerwerkzeuge oder Infrastrukturabstraktionen haben, die von anderen Ingenieuren genutzt werden.
• Sich in unklaren Umgebungen wohlfühlen und Verantwortung für offene technische Probleme übernehmen.
• Eine pragmatische Herangehensweise haben: Ihnen liegt daran, das richtige Problem gut zu lösen, nicht übermäßig zu konstruieren.

Besonders relevante Erfahrungen:

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

Bonuspunkte für:

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