Ingenieur für maschinelles Lernen

Arbeitszeit: Nicht angegeben
Erfahrung: Vorausgesetzt werden 5 bis 8 Jahre Erfahrung in ML Engineering, MLOps oder Backend-Infrastruktur mit ML-Systemen im Produktivbetrieb.
Vergütung: Gehalt nicht angegeben

Die Rolle in Kürze

Die Rolle verantwortet die MLOps-Grundlage und automatisiert den Modelllebenszyklus für zuverlässige, beobachtbare und leistungsfähige ML-Systeme im Produktivbetrieb. Sie arbeitet im Data-, AI- und ML-Team eng mit Data Science sowie Plattform- und Produktteams zusammen.

Deine Aufgaben

Die Rolle entwickelt und betreibt die MLOps-Plattform mit Experimentverfolgung, Modellregister, Versionierung und reproduzierbaren Trainingspipelines. Sie etabliert CI/CD mit automatisierten Tests, Validierungsstufen und Überführungsabläufen von Entwicklung zu Produktion sowie teamübergreifende Standards für Feature Stores, Modellartefakte und reproduzierbare Umgebungen.
Sie überführt Forschungsmodelle und Prototypen in robuste, skalierbare Produktivdienste und entwickelt latenzarme, hochverfügbare Infrastruktur für Batch-, Online- und Echtzeitinferenz. Gemeinsam mit Data Science passt sie Modelle an Anforderungen zu Latenz, Kosten und Skalierung an.
Sie überwacht Modellleistung, Daten- und Konzeptdrift und definiert klare Alarmierungs- und Rollback-Abläufe.
Sie automatisiert Nachtraining, Evaluation und Deployment und entwickelt Selbstheilungs- sowie automatische Rollback-Mechanismen anhand von Leistungs- oder Driftschwellen. Werkzeuge sollen ML-Fachkräften die Bereitstellung von Modellen ohne tiefgehende Infrastrukturkenntnisse ermöglichen.
Sie integriert ML-Modelle mit Kafka, Kinesis und Flink für Feature-Berechnung und Inferenz in Echtzeit. Dabei entwickelt sie latenzarme Feature-Pipelines zwischen Batch- und Streaming-Quellen und gewährleistet konsistente Feature-Berechnungen für Offline-Training und Online-Bereitstellung.
Sie integriert LLM-basierte Agenten und Tool-Calling-Pipelines neben klassischen ML-Modellen und entwickelt Beobachtbarkeit, Schutzmechanismen und Evaluationsrahmen für deren zuverlässigen Produktivbetrieb. Sie untersucht, wie Agenten Überwachung, Triage und Entscheidungen zum Nachtraining automatisieren können.

Das solltest du mitbringen

Erforderlich

Vorausgesetzt werden 5 bis 8 Jahre Erfahrung in ML Engineering, MLOps oder Backend-Infrastruktur mit ML-Systemen im Produktivbetrieb.
Erwartet werden eine praktische Arbeitsweise und ein ebenso hoher Stellenwert von Zuverlässigkeit und Beobachtbarkeit wie von Modellleistung.
Erforderlich sind fundierte Grundlagen im Software Engineering und Sicherheit bei der durchgängigen Verantwortung für Dienste.
Erforderlich ist Erfahrung mit Model-Serving-Frameworks wie Seldon, KServe, BentoML, TorchServe oder vergleichbaren Lösungen sowie mit Orchestrierungswerkzeugen wie Airflow, Kubeflow, MLflow oder vergleichbaren Lösungen.
Erforderlich ist praktische Erfahrung mit Streaming-Systemen wie Kafka, Kinesis, Flink oder vergleichbaren Lösungen.
Vorausgesetzt wird Vertrautheit mit Containerisierung und Orchestrierung mittels Docker und Kubernetes.
Erforderlich ist Erfahrung mit Werkzeugen für Metriken, Tracing und Logging für ML-Systeme oder verteilte Systeme.
Erwartet werden ausgeprägte Kommunikationsfähigkeiten und Sicherheit in der bereichsübergreifenden Zusammenarbeit mit Data Science sowie Plattform- und Produktteams.
Fließende Englischkenntnisse werden vorausgesetzt.
Der Standort muss in Europa liegen.

Von Vorteil

Erwünscht sind Kenntnisse von LLM- und Agenten-Frameworks sowie Evaluationsverfahren.
Erwünscht ist Erfahrung in einem regulierten Bereich oder einem Bereich mit hohem Durchsatz, etwa Fintech, Zahlungsverkehr oder Gesundheitswesen.
Erwünscht sind Beiträge zu Open-Source-Werkzeugen für MLOps oder agentenbasierte Systeme.
Erwünscht ist Erfahrung mit Cloud-ML-Plattformen wie SageMaker, Vertex AI und Databricks.

So ist Remote hier geregelt

Remote-Arbeit ist von überall möglich; für die Rolle wird zugleich ein Standort in Europa vorausgesetzt.

Das wird angeboten

Es wird eine wettbewerbsfähige Vergütung angeboten.
Ein einmaliger Zuschuss zur Einrichtung des Homeoffice und Arbeitsausstattung werden angeboten.
Zum Angebot gehören Aktienoptionen und eine standortunabhängige Gesundheitsabsicherung.
Es werden flexible freie Tage angeboten.
Sprachkurse sowie Kurse zur beruflichen und persönlichen Weiterentwicklung werden angeboten.

So läuft die Bewerbung

KI-Werkzeuge können die Prüfung von Bewerbungen, die Analyse von Lebensläufen und die Bewertung von Antworten unterstützen. Die abschließenden Einstellungsentscheidungen treffen Menschen.

Veröffentlicht: Datum unbekannt · Quelle geprüft: 17.10.2026.

Die Angaben sind für RemoteFruit einheitlich aufbereitet. Maßgeblich bleibt die Originalanzeige. RemoteFruit steht in keiner Partnerschaft mit dem ausschreibenden Unternehmen.