Remote-Jobs, die du auf
LinkedIn & Xing übersiehst.

Erforderlich ist fundierte Erfahrung mit der Konzeption von Nutzerstudien auf Mechanical Turk oder vergleichbaren Plattformen.

Erforderlich ist fundierte Erfahrung mit Modelltraining und Feintuning zur Modellevaluation.

Erforderlich sind fundierte statistische Kenntnisse und Erfahrung zum statistischen Vergleich von Evaluationsergebnissen und zur Entscheidungsfindung.

Erforderlich ist Erfahrung mit dem Training von ASR-Modellen; zusätzlich wird Erfahrung mit dem Training von TTS-Modellen verlangt.

Erforderlich ist Erfahrung mit dem Training von TTS-Modellen; zusätzlich wird Erfahrung mit dem Training von ASR-Modellen verlangt.

Erforderlich ist ein fundiertes Verständnis des Model Serving einschließlich Continuous Batching, KV-Cache-Verwaltung und Anfragenplanung.

Fundierte Python-Kenntnisse werden gemeinsam mit fundierten PyTorch-Kenntnissen und einem rigorosen Vorgehen bei Leistungsbenchmarks vorausgesetzt.

Fundierte PyTorch-Kenntnisse werden gemeinsam mit fundierten Python-Kenntnissen und einem rigorosen Vorgehen bei Leistungsbenchmarks vorausgesetzt.

Erforderlich ist Produktionserfahrung mit Kubernetes sowie mit CI/CD und Cloud-Infrastruktur.

Erforderlich ist Erfahrung mit Sprach- oder Audiomodellen, etwa Text-to-Speech (TTS), automatischer Spracherkennung (ASR) und Stimmkonvertierung.

Gefordert ist tiefgehende praktische Erfahrung mit Diffusions- und/oder Flow-Matching-Transformern einschließlich Samplern, Zeitplänen, Konditionierungsmechanismen und Destillation.

Gefordert ist umfangreiche Erfahrung mit verteiltem Training über mehrere Knoten und GPUs mit FSDP, DeepSpeed oder gleichwertigen Verfahren.

Gefordert sind starke PyTorch-Kenntnisse sowie Performance-Arbeit mit Profiling und bedarfsabhängig CUDA, Triton und C++ sowie zuverlässiger Code in Produktionsqualität.

Gefordert ist Erfahrung mit Stimmenklonen, Sprachsteuerung beziehungsweise Steuerbarkeit oder expressiver Sprachgenerierung.

Die Rolle entwickelt automatisierte objektive und subjektive Evaluationen mit Hörtests, SV-, WER- und ASR-basierten Metriken, Robustheits- und Bias-Prüfungen sowie Red-Team-Studien.

Es werden weder Visa-Sponsoring noch Arbeitserlaubnisse bereitgestellt.

Erforderlich sind praktische Betriebserfahrung mit vLLM, SGLang oder TensorRT-LLM und ein belastbares Verständnis der Leistungsursachen einer Engine auf einer bestimmten GPU.

Erforderlich ist Erfahrung mit der Messung von Qualitätsregressionen durch Quantisierung, nicht nur von Kompressionsraten.

Erforderlich ist ein sicherer Umgang mit Multi-GPU- und Multi-Node-Systemen einschließlich Tensor- und Expertenparallelität, kollektiver Kommunikation und deren praktischer Fehlerbilder.

Wünschenswert ist Erfahrung speziell mit LLM-Routing, einschließlich Evaluationen der RouterBench-Klasse und Pareto-Fronten für Kosten, Qualität und Latenz.

Fließendes Deutsch ist erforderlich; zusätzlich wird sehr gutes Englisch vorausgesetzt.

Ein Verständnis von RAG wird vorausgesetzt.

Sehr gutes Englisch ist erforderlich; zusätzlich wird fließendes Deutsch vorausgesetzt.

Evals werden zusammen mit Guardrails und AI Observability eingesetzt, um Qualität, Kosten und Latenz der KI-Funktionen zu steuern.

TypeScript gehört zum Full-Stack-Technologieumfeld der Rolle.

Tiefgehende praktische Erfahrung mit LLM-APIs und Modellfähigkeiten ist erforderlich, beispielsweise von OpenAI, Anthropic oder vergleichbaren Anbietern.

Tiefgehende praktische Erfahrung mit Agentenorchestrierung sowie Tool- beziehungsweise Funktionsaufrufen ist erforderlich.

Tiefgehende praktische Erfahrung mit Prompt-Design, Evaluation und Techniken zur Zuverlässigkeit ist erforderlich.

Fundierte Erfahrung in Konzeption und Betrieb von MCP-Servern und/oder MCP-Clients oder nachweislich vergleichbaren Agent-Tool-Architekturen ist erforderlich.

Erforderlich sind ausgezeichnete Kommunikationsfähigkeiten auf Englisch.

Erforderlich ist praktische Erfahrung mit Fine-Tuning, Evaluierungsframeworks und der Skalierung von LLM-Deployments.

Erforderlich ist Erfahrung mit dem Entwurf und der Durchführung von A/B-Tests zur Validierung der Modellwirkung.

Erforderlich sind fundierte Kenntnisse in PyTorch und Python.

Erforderlich ist sicherer Umgang mit SQL und Werkzeugen zur Datenorchestrierung wie Spark und Airflow.

Erforderlich ist fundierte Erfahrung im Training großer neuronaler Netze, etwa LLMs oder ähnlich großer Modelle.

Praktische Erfahrung mit Trainingsoptimierung ist erforderlich; reine Modellnutzung reicht nicht aus.

Erwartet wird Sicherheit im hardwarenahen Arbeiten mit GPUs unter Berücksichtigung von Speicher- und Netzwerkbeschränkungen.

Profiling, Engpassanalysen und Verbesserungen auf Systemebene dienen dazu, Trainingszeit und Rechenkosten zu reduzieren.

Erfahrung mit verteiltem Training in großem Maßstab über mehrere Rechenknoten und GPUs ist wünschenswert.

Erforderlich ist ein solides Verständnis von NLP-Grundlagen einschließlich Tokenisierung, Embeddings und Sprachmodellierung.

Erforderlich ist Erfahrung im Aufbau skalierbarer Datenpipelines mit Python, Spark, Ray oder vergleichbaren Technologien.

Erforderlich ist Vertrautheit mit Unicode, Schriftsystemen, Herausforderungen der Tokenisierung und sprachspezifischen Besonderheiten.

Die Rolle implementiert Qualitätsfilter mit statistischen, heuristischen und modellbasierten Methoden.

Erfahrung mit der Bewertung von Datenqualität im großen Maßstab ist von Vorteil.

Erfahrung mit PyTorch oder JAX sowie modernen ML-Werkzeugen wird vorausgesetzt.

Sicherheit bei Experimenten auf Multi-GPU-Systemen oder verteilten Systemen wird erwartet.

Erfahrung mit Inferenzoptimierung, beispielsweise Quantisierung, Pruning oder Kernels, ist erwünscht.

Vertrautheit mit der Evaluation von Sprachmodellen ist erwünscht.