KI-Engineer für Suche und Matching

Arbeitszeit: Vollzeit
Erfahrung: Erforderlich ist praktische Erfahrung mit angewandten ML- oder LLM-Systemen, die reale Nutzer erreicht haben. Zusätzliche Forschungs- und Produktionserfahrung ist erwünscht.
Vergütung: Gehalt nicht angegeben

Die Rolle in Kürze

Die Rolle verbessert die Stellensuche für Millionen Menschen in 42 Ländern durch angewandte KI. Sie verbindet Forschung, wissenschaftliche Evaluation und Produktivsetzung und arbeitet dabei eng mit Produktmanagement, Engineering und Entscheidungsträgern zusammen, denen sie Ergebnisse direkt präsentiert.

Deine Aufgaben

Retrieval-Systeme für große, heterogene Datenbestände mit Embeddings, hybrider Suche, Ranking und Re-Ranking entwickeln und verbessern sowie Repräsentationen von Stellen und Lebensläufen, Embedding-Modelle und zweckgerechte Vektordimensionen gestalten.
LLM-Pipelines für das Verständnis von Suchanfragen, Lebensläufen und Stellen entwickeln und für Extraktion, Anreicherung, Umformulierung und Matching jeweils passende Modelle und Verfahren auswählen.
Hypothesen gegen den bisherigen Stand benchmarken und Datensätze zusammenstellen, die sowohl zu behebende Fehler als auch funktionierende Fälle abdecken, deren Qualität erhalten bleiben muss.
LLM-Bewertungen anhand menschlicher Plausibilitätsprüfungen fundieren und kalibrieren, Verzerrungen erkennen und Bewertungsmodelle überarbeiten, wenn sie falsche Eigenschaften messen.
Suchrelevanz mit NDCG und paarweisen Präferenztests bewerten, manipulationsresistente Metriken auswählen und Fehlanreize erkennen. Kumulative und unabhängige Effekte, widersprüchliche Metriken und Verteilungsränder analysieren sowie Qualität, Latenzperzentile und Kosten je Anfrage quantifizieren.
Interaktive Prototypen erstellen, damit Produktmanagement und weitere Beteiligte Ansätze vor der Veröffentlichung erproben können, und Ergebnisse direkt mit Entscheidungsträgern besprechen.
Erfolgreiche Ansätze gemeinsam mit dem Engineering entsprechend der gebenchmarkten Umsetzung produktiv setzen und ihre Wirkung bis zur Auswertung von A/B-Tests begleiten.
Neue Modelle, Methoden, Frameworks und Forschung zu Retrieval, Ranking und Evaluation verfolgen, auf eigenen Daten prüfen und das Verhältnis von Qualität zu Euro-Kosten fortlaufend verbessern. Weitere Ansätze entsprechend den sich entwickelnden Anforderungen der Stellensuche erarbeiten.

Das solltest du mitbringen

Erforderlich

Erwartet wird ein Abschluss in Informatik, KI oder einem verwandten Fach aus einem erstklassigen Studienprogramm oder einem gleichwertigen Programm. Herausragende Bewerbende anderer Hochschulen sind ebenfalls ausdrücklich willkommen; angesprochen sind auch Promovierte.
Erforderlich ist praktische Erfahrung beim Aufbau angewandter ML- oder LLM-Systeme, die reale Nutzer erreicht haben, etwa Retrieval, RAG, agentische Pipelines oder klassische Suche.
Erwartet werden fundierte Data-Science-Kenntnisse: Experimente planen, Baselines entwickeln sowie Metriken und ihre Fehlerquellen kritisch beurteilen. Vor einer Erfolgsbewertung werden Baseline, Datensatz und Metrik erstellt; fehlerhafte Messziele müssen erkannt werden.
Erforderlich sind sichere Python-Kenntnisse und die Fähigkeit, eine Pipeline durchgehend zu verantworten, einschließlich Daten, Prompts, Embeddings, Retrieval, Evaluation und verbindender Komponenten.
Erwartet werden klare Kommunikation mit Kolleginnen und Kollegen außerhalb des ML-Bereichs und Freude daran, Erkenntnisse verständlich zu vermitteln.
Erwartet wird pragmatisches Denken nach dem 80/20-Prinzip, das einfache, auslieferbare Ansätze mit einem Großteil des Nutzens gegenüber auf dem Papier besseren, komplexen Lösungen bevorzugt.
Erwartet werden unkonventionelles Denken und das Einbringen neuer Ansätze, Methoden und Frameworks aus kommerziellen Modellangeboten oder aktueller Forschung.

Von Vorteil

Von Vorteil sind nachweisbare Überführungen von Methoden aus Forschungsarbeiten in funktionierende Systeme oder eigene Beiträge durch Publikationen, Open Source oder Wettbewerbsergebnisse.
Von Vorteil sind Erfahrung mit latenzsensitivem produktivem ML und Kenntnisse darüber, an welchen Stellen eines Produkts kostspielige Aufrufe vertretbar sind.
Von Vorteil ist Erfahrung mit der Durchführung oder Analyse von A/B-Tests für Such- oder Empfehlungssysteme.
Von Vorteil sind Erfahrung mit mehreren Modellanbietern und anbieterübergreifende Benchmarks zu Kosten und Latenz.
Besonders erwünscht ist ausgeprägte Erfahrung mit Machine Learning, LLMs oder KI-Systemen.

So ist Remote hier geregelt

Zum Teamangebot gehören Treffen innerhalb der EU und eine jährliche gemeinsame Sommerreise.

Das wird angeboten

Aktuelle KI-Werkzeuge stehen für die tägliche Arbeit zur Verfügung.
Die Zusammenarbeit bietet fachliches Feedback und Unterstützung durch erfahrene Kolleginnen und Kollegen aus Produktmanagement, Engineering und Data Science.
Die Arbeitskultur setzt auf ein nachhaltiges Tempo, direkte und freundliche Kommunikation sowie evidenzbasierte Entscheidungen.
Es werden Teamtreffen innerhalb der EU und eine jährliche gemeinsame Sommerreise angeboten.

Veröffentlicht: 28.07.2026 · Quelle geprüft: 19.10.2026.

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