MLOps Engineer: ML Risk Platform

Jeden Tag treffen die Modelle finanzielle Entscheidungen, die echte Menschen betreffen. Kreditgenehmigungen, Betrugsblockierungen, Transaktionsrisikobewertungen. Wenn ein Modell stillschweigend in der Produktion abdriftet, werden Kunden fälschlicherweise abgelehnt. Wenn eine Pipeline um 2 Uhr morgens ausfällt, bemerkt es niemand, bis der Schaden angerichtet ist. Diese Rolle existiert, um sicherzustellen, dass dies nicht passiert. Sie werden die Infrastruktur besitzen, die ML-Modelle von den Notizbüchern der Datenwissenschaftler in Produktionssysteme überführt, die täglich Millionen von Ereignissen verarbeiten, und sie zuverlässig über mehrere regulatorische Jurisdiktionen hinweg am Laufen hält.

Was Sie bearbeiten werden:

• Modell-Pipelines: Entwerfen und Betreiben automatisierter Trainings-, Validierungs-, Bereitstellungs- und Rollback-Workflows für unsere Kreditbewertungs-, Betrugserkennungs- und Transaktionsrisikomodelle.
• Produktionsüberwachung: Aufbau von Beobachtbarkeit für ML-spezifische Fehlermodi, einschließlich Datenabdrift, Vorhersageabdrift und Merkmalsverzerrung, nicht nur für die Systemverfügbarkeit.
• Compliance-Instrumentierung: Aufrechterhaltung vollständiger Prüfpfade und Modellkarten, die für interne Modellrisikobewertungen und regulatorische Prüfungen gemäß dem EU AI Act und der DSGVO erforderlich sind.
• Infrastruktur-Eigentum: Ausführen von Kubernetes-basiertem ML-Serving auf AWS oder Azure, Verwalten von CI/CD-Pipelines, die Code, Daten und Modelle gleichzeitig versionieren.
• Zuverlässigkeit und Incident-Response: Definition von SLAs für latenzempfindliche Bewertungsmodelle und vollständige Verantwortung, wenn etwas in der Produktion ausfällt.
• Kostenmanagement: Optimierung der Cloud-Ausgaben für GPU-Trainingsjobs und Batch-Inferenzlasten, da die Rechenbudgets im Fintech-Bereich genau überwacht werden.

5 Nicht verhandelbare Anforderungen:

• Produktions-ML-Pipelines, die Sie selbst erstellt haben: Sie haben automatisierte Trainings-, Validierungs- und Bereitstellungspipelines entworfen und betrieben, die echte Benutzer in einer Live-Umgebung bedienen. Keine internen Tools. Kein Prototyp. Wenn die Pipeline ausfiel, waren Sie derjenige, der sie repariert hat.
• Kubernetes in der Produktion: Sie haben containerisierte ML-Workloads auf Kubernetes bereitgestellt und verwaltet, einschließlich Autoscaling, Ressourcenlimits und Fehlerwiederherstellung. EKS, AKS oder GKE.
• ML-Lifecycle-Eigentum: Praktische Erfahrung mit Modellversionierung, Experimentverfolgung und Registrierungsmanagement mit MLflow, Weights and Biases oder Ähnlichem. Sie haben Beförderungsgates und Rollback-Verfahren verwaltet, nicht nur Experimente verfolgt.
• Überwachung spezifischer ML-Fehler: Sie haben Beobachtbarkeit für Datenabdrift, Vorhersageabdrift und Merkmalsverzerrung aufgebaut, nicht nur für CPU und Speicher. Evidently AI, Whylogs, Prometheus oder Ähnliches. Sie haben definiert, was ein Alarm bedeutet und was zu tun ist, wenn er ausgelöst wird.
• Erfahrung in regulierten Umgebungen: Sie haben in Fintech, Banken oder Versicherungen gearbeitet, wo Modellentscheidungen Prüfpfade, Erklärbarkeitsartefakte oder Genehmigungen von einer Risiko- oder Compliance-Funktion erforderten. Sie wissen, was SR 11-7, EU AI Act oder DSGVO für eine ML-Pipeline in der Praxis bedeutet.

Technologischer Stack:

• Core: Python, Docker, Kubernetes, GitHub Actions oder GitLab CI
• ML-Plattform: MLflow, Apache Airflow oder Prefect
• Cloud: AWS SageMaker mit EKS oder Azure ML mit AKS
• Überwachung: Prometheus, Grafana, Evidently AI
• Daten: Spark, PostgreSQL, S3 oder Azure Blob

Nützlich, aber nicht erforderlich am ersten Tag: Terraform, Feature-Stores wie Feast oder Tecton, LangChain für LLM-Pipeline-Integration, SHAP oder LIME für Erklärbarkeit.

Was diese Rolle nicht ist:

• Keine Datenwissenschaftsrolle. Sie werden keine Modelle erstellen.
• Keine generische DevOps-Rolle. Kubernetes-Erfahrung ohne ML-Kontext ist nicht ausreichend.
• Keine Forschungs- oder Plattformarchitekturrolle. Alle Arbeiten sind produktionsorientiert mit strengen Zuverlässigkeits- und Compliance-Anforderungen.

Wie man sich bewirbt: Diese Rolle steht nur EU-basierten Kandidaten offen. Wir ziehen keine Bewerbungen von außerhalb der Europäischen Union in Betracht, unabhängig von Remote-Arbeitsarrangements oder Zeitzonenkompatibilität. Reichen Sie Ihren Lebenslauf ein und zeichnen Sie eine kurze Videoantwort auf eine Frage auf: Beschreiben Sie eine Machine-Learning-Pipeline, die Sie in der Produktion erstellt und besessen haben. Was ist kaputt gegangen, wie haben Sie es erkannt und was haben Sie geändert? Das Videoformat ist unangenehm. Wir wissen das. Wenn Sie es trotzdem tun, sagt uns das bereits etwas.

Wie Bewerbungen bewertet werden: Ich möchte offenlegen, wie das funktioniert, bevor Sie Ihre Zeit investieren. Jeder Lebenslauf wird anhand der 5 nicht verhandelbaren Anforderungen bewertet. Ein Punkt pro Anforderung. 5 von 5, um fortzufahren. Nicht 4. Wenn eine Anforderung als Tool oder Fähigkeit ohne Kontext beschrieben wird, was Sie gebaut haben und wofür es diente, erhält sie 0 Punkte. Ich vergleiche alle Bewerbungen, bevor ich jemanden weitergebe. Wenn der Pool von 5 von 5 Punkten größer als 15 ist, bewerte ich nach Tiefe der Erfahrung in regulierten Umgebungen und Umfang der verwalteten Systeme. Die besten 15 kommen weiter. Wenn weniger als 15 5 von 5 Punkten erreichen, kommen alle weiter. Das Video wird von mir und dem Team gemeinsam überprüft. Wir bewerten nicht Ihr Kamera-Feedback. Wir bewerten, ob Ihre Antwort spezifisch ist, ob Sie das, was Sie beschreiben, besessen haben, und ob Ihre Reaktion auf einen echten Produktionsausfall fundiert war. Ich folge nicht nach, um Klarstellungen zu einem mehrdeutigen Lebenslauf zu bitten. Was geschrieben steht, wird bewertet. Sie werden von uns unabhängig vom Ergebnis hören. Das ist ein Versprechen, kein Höflichkeitsfloskel.