KEY JOB RESPONSIBILITIES
- End-to-End ML Platform Engineering: Konzeption und Implementierung skalierbarer ML-Infrastrukturen mit AWS SageMaker, MLflow und Kubeflow für komplette MLOps-Pipelines von Experimentation bis Production
- GenAI Solution Development: Design und Entwicklung von Large Language Model (LLM) Anwendungen mit Amazon Bedrock, Custom Foundation Models und RAG-Architekturen für intelligente Geschäftsanwendungen
- Advanced ML Model Engineering: Entwicklung und Deployment von Custom Machine Learning Models für Computer Vision, NLP und Predictive Analytics mit TensorFlow, PyTorch
- AI-Powered Application Architecture: Integration von KI-Services in bestehende Geschäftsanwendungen durch MCPs, APIs, Microservices und Event-driven Architectures für nahtlose AI-Experiences
- MLOps and Model Governance: Aufbau von automatisierten ML-Pipelines mit CI/CD, Model Monitoring, A/B Testing und Explainable AI für verantwortungsvolle KI-Implementierung (ISO42001)
- Real-time Inference Systems: Implementierung hochperformanter, latenz-optimierter ML-Inference-Systeme mit SageMaker Endpoints, Lambda und Container-based Deployments
- Data Science Collaboration: Enge Zusammenarbeit mit Data Scientists bei der Productionisierung von ML-Models und Optimierung von Training/Inference Workflows
- AI Strategy Consulting: Beratung von Kunden bei AI Adoption Strategies, Use Case Identification und Technology Selection für erfolgreiche KI-Transformationen
A DAY IN THE LIFE
Dein Tag beginnt oft mit einem Review der ML Model Performance Metriken und Monitoring Dashboards, um sicherzustellen, dass alle produktiven AI-Services optimal funktionieren. Anschließend führst du ein Technical Stand-up mit deinem AI Engineering Team durch, um den Fortschritt aktueller ML-Implementierungen zu besprechen und mögliche Herausforderungen bei der Model Deployment zu adressieren.
Der Vormittag wird häufig von Innovation Sessions mit Kunden geprägt, in denen du AI Use Cases evaluierst und technische Machbarkeitsstudien durchführst - sei es die Implementierung/Konzeptionierung von IDP, RAG systemen oder die Entwicklung einer Custom GenAI-Anwendung für Automatisierung. Dabei arbeitest du eng mit Product Ownern und Business Stakeholdern zusammen, um sicherzustellen, dass die KI-Lösung echten Mehrwert generiert.
Nachmittags konzentrierst du dich auf hands-on Development und Experimentation: Du optimierst Hyperparameter für bessere Model Performance, entwickelst neue Feature Engineering Pipelines oder implementierst Techniques wie Prompt Engineering und Fine-tuning für LLMs. Ein wichtiger Teil deiner Arbeit ist auch das Technical Mentoring von Junior AI Engineers - du teilst deine Expertise in Code Reviews und leitest Workshops zu modernen ML Engineering Practices.
Den Tag schließt du häufig mit Research und Innovation Aktivitäten ab, wo du neue AWS AI Services evaluierst, Proof-of-Concepts für emerging AI Technologies entwickelst oder an Thought Leadership Content wie Technical Blogs oder Conference Presentations arbeitest.
BASIC QUALIFICATIONS
- 3+ Jahre Erfahrung in Machine Learning Engineering, AI-Entwicklung und Deployment von ML-Modellen in produktiven Umgebungen
- Solide AWS AI/ML Services Kenntnisse (SageMaker, Bedrock, Comprehend, Rekognition, Textract) und deren Integration in Geschäftsanwendungen
- Programmier-Expertise in Python mit umfassender Erfahrung in ML-Frameworks (TensorFlow, PyTorch, scikit-learn, Hugging Face)
- MLOps und DevOps Kenntnisse für automatisierte ML-Pipelines, Model Versioning und Container-basierte Deployments
- Solide Mathematik- und Statistik-Grundlagen für das Verständnis von ML-Algorithmen und Model Evaluation
- Ausgezeichnete Problemlösungsfähigkeiten und die Fähigkeit, komplexe Business-Probleme in AI-Lösungen zu übersetzen
- Fließende Deutsch- und Englischkenntnisse für internationale AI-Projekte und globale Zusammenarbeit
PREFERRED QUALIFICATIONS
- AWS AI/ML Zertifizierungen (Machine Learning Specialty, Data Analytics) oder vergleichbare Industry-Zertifikationen
- GenAI und LLM Expertise mit praktischer Erfahrung in Prompt Engineering, Fine-tuning und RAG-Implementierung
- Deep Learning Spezialisierung in Computer Vision, NLP oder Reinforcement Learning mit nachweisbaren Projekterfolgen
- Cloud-native AI Architecture Erfahrung mit Serverless ML, Edge AI und Multi-Cloud AI-Deployments
- Responsible AI Kenntnisse in Bias Detection, Explainable AI und AI Ethics für regulierte Branchen
- Research Background mit wissenschaftlichen Publikationen, Patents oder Beiträgen zu Open-Source ML-Projekten
- Industry-spezifische AI-Erfahrung in Bereichen wie Healthcare AI, FinTech ML oder Industrial IoT Analytics
- Thought Leadership durch AI Conference Presentations, Technical Blogging oder Community Contributions
Melde Dich bei unserem Recruiting Team
Durch unsere offene Unternehmenskultur legen wir großen Wert darauf, Menschen die Chance zu geben, sich zu bewerben, auch wenn nicht alle spezifischen Fähigkeiten der Stellenbeschreibung erfüllt werden. Wir sind überzeugt, dass jede:r Einzelne durch unsere Unterstützung und ein motiviertes Team sein volles Potenzial entfalten kann.
Wir freuen uns auf Deine Bewerbung!
