Veröffentlicht 04.11.2026

Senior-Ingenieur für maschinelles Lernen

Die Rolle verantwortet ML-Projekte über ihren gesamten Lebenszyklus und entwickelt zuverlässige agentische LLM-Systeme für klinische Anwendungen. Zum Umfang gehören Datenaufbereitung, Modellanpassung, Bereitstellung, Monitoring und Feedbackschleifen zur laufenden Verbesserung im Produktivbetrieb. Evaluation umfasst Offline- und Online-Verfahren, LLM-as-judge mit menschlicher Prüfung sowie Regressionstests. Gemeinsam mit Produkt-, klinischen und Engineering-Teams werden klinische Anforderungen in technische Entscheidungen übersetzt und Zielkonflikte früh sichtbar gemacht. Code-Reviews, Wissensaustausch und Mentoring unterstützen die Weiterentwicklung des Teams.

EU
EU
Remote in Europa · Belegte Arbeits-/Kandidatenstandorte: Europa.
+6
- Agentische LLM-Systeme · Aufgabe · erforderlich
  Die Rolle entwickelt mehrstufige agentische LLM-Systeme mit Werkzeugeinsatz, Retrieval und Orchestrierung, die für klinische Anwendungen zuverlässig genug sein müssen.
- LLM-as-judge · Aufgabe · erforderlich
  Die Rolle erstellt LLM-as-judge-Pipelines mit menschlicher Prüfung als Bestandteil der technischen Evaluation. Mit menschlicher Prüfung.
- ML-Evaluation · erforderlich
  Erforderlich sind bereits aufgebaute Evaluationsdatensätze und Frameworks sowie die Fähigkeit, tatsächliche Verbesserungen von Rauschen zu unterscheiden.
- Verteilte Systeme · erforderlich
  Vertrautheit mit verteilten Systemen ist zusammen mit produktionsreifer Programmierung und Geduld beim Debugging komplexer ML-Pipelines erforderlich.
- Modellanpassung · von Vorteil
  Erfahrung mit Fine-Tuning oder Präferenzoptimierung, etwa RLHF, DPO oder ähnlichen Verfahren, ist von Vorteil.
- Hochrisiko-KI · von Vorteil
  Erfahrung mit KI im Gesundheitswesen oder anderen Hochrisikobereichen, in denen Fehler reale Kosten verursachen, ist von Vorteil.
EUAgentische LLM-SystemeLLM-as-judgeML-EvaluationVerteilte SystemeModellanpassungHochrisiko-KI+6+5+4+3+2+1

Gehalt: Kein Gehalt angegeben
Umfang: Nicht angegeben
Erfahrung: Senior

Deine Aufgaben

Die Rolle verantwortet ML-Projekte von der Exploration bis zur produktiven Bereitstellung und entwickelt sie nach dem Einsatz durch reale Nutzer kontinuierlich weiter.
Sie entwickelt agentische LLM-Systeme mit mehrstufigen Abläufen, Werkzeugeinsatz, Retrieval und Orchestrierung und stellt deren Zuverlässigkeit für klinische Anwendungen sicher.
Sie erstellt Evaluationsdatensätze, Offline- und Online-Testumgebungen, LLM-as-judge-Pipelines mit menschlicher Prüfung sowie Regressionstests, die Qualitätsverluste vor der Auslieferung erkennen.
Sie verbessert die Modellqualität evidenzbasiert mit dem jeweils passenden Ansatz, etwa Prompting, Retrieval, Destillation oder Fine-Tuning.
Sie arbeitet über den gesamten KI-Stack hinweg an Datenaufbereitung, Modellanpassung, Serving, Monitoring und Feedbackschleifen zur Verbesserung produktiver Systeme.
Sie übersetzt gemeinsam mit Produkt-, klinischen und Engineering-Teams klinische Anforderungen in technische Entscheidungen und macht Zielkonflikte frühzeitig sichtbar.
Sie prüft Code, teilt Erkenntnisse und unterstützt weniger erfahrene Engineering-Kollegen durch Mentoring.

Das solltest du mitbringen

Erforderlich sind Erfahrung mit der Produktivsetzung verlässlich genutzter ML-Systeme, produktiven LLMs, Evaluation und der Umsetzung unklarer Probleme. KI im Gesundheitswesen oder anderen Hochrisikobereichen ist von Vorteil.

Erforderlich8 Punkte

KI-Kompetenz wird vorausgesetzt. Mindestens Level 1 ist nachzuweisen: täglicher KI-Einsatz zur Steigerung der persönlichen Produktivität. Das erwartete Niveau variiert mit der Seniorität; Level 2 umfasst teamfördernde Workflows und Werkzeuge, Level 3 die skalierte Integration in Produkte und Prozesse. Konkrete Beispiele des bisherigen KI-Einsatzes sind Teil der Bewertung.
Erforderlich ist Erfahrung darin, ML-Systeme produktiv bereitzustellen, auf die Menschen tatsächlich angewiesen sind.
Erforderlich ist praktische Arbeit mit LLMs im Produktivbetrieb, einschließlich Prompting, Retrieval, Tool Calling und agentischer Workflows.
Erforderlich sind eine systematische Evaluationspraxis, Erfahrung im Aufbau von Evaluationsdatensätzen und Frameworks sowie die Fähigkeit, echte Verbesserungen von statistischem Rauschen zu unterscheiden.
Fundierte ML-Grundlagen werden vorausgesetzt, einschließlich der Auswahl geeigneter Ansätze für konkrete Probleme und einer klaren Abwägung von Zielkonflikten.
Erforderlich sind Sicherheit im Umgang mit Unklarheit und Erfahrung darin, aus unscharf definierten Problemen produktiv laufende Lösungen zu entwickeln.
Erforderlich sind solide Engineering-Fähigkeiten: produktionsreifer Code, Vertrautheit mit verteilten Systemen und Geduld beim Debugging komplexer ML-Pipelines.
Klare Kommunikation mit technischen und klinischen Stakeholdern wird vorausgesetzt.

Von Vorteil4 Punkte

Erfahrung mit Fine-Tuning oder Präferenzoptimierung, etwa RLHF, DPO oder ähnlichen Verfahren, ist von Vorteil.
Erfahrung mit KI im Gesundheitswesen oder anderen Hochrisikobereichen, in denen Fehler reale Kosten verursachen, ist von Vorteil.
Der eigenständige Aufbau von Agenten-Frameworks oder Evaluationswerkzeugen von Grund auf ist von Vorteil.
Open-Source-Beiträge, technisches Schreiben oder andere Formen der Wissensweitergabe sind von Vorteil.

Das wird angeboten

Die Gesamtvergütungsspanne beträgt 66.500–104.500 EUR und umfasst Grundvergütung, variable Vergütung sowie gegebenenfalls Boni, Vertriebsanreize und den geschätzten Wert privater Unternehmensaktienoptionen. Die tatsächliche Vergütung hängt unter anderem von Fähigkeiten, Qualifikationen, Erfahrung, Standort und Marktnachfrage ab. Die Spanne kann sich ändern; der künftige Aktienwert ist nicht garantiert.
Die Vergütungsspanne gilt als Ausgangspunkt, nicht als Obergrenze; bei nachgewiesener außergewöhnlicher Leistung nach dem Einstieg sind schnelle Anpassungen vorgesehen. Zusätzliche Leistungen werden angeboten, können je nach Land variieren und werden separat erläutert.

So läuft die Bewerbung

Alle Bewerbenden werden anhand eines dreistufigen KI-Kompetenzmodells beurteilt und sollen konkrete Beispiele für ihren bisherigen KI-Einsatz im Arbeitsalltag erläutern. Mindestens Level 1 muss nachgewiesen werden; das erwartete Niveau hängt von der Seniorität der Rolle ab.

Passt die Stelle? Öffne mit Premium den Bewerbungsweg.

Bewerbungslink freischalten