Das Unternehmen ist ein innovativer Akteur im Bereich der Digitalisierung und der Energiewende. Mit seiner Software optimiert es Heizsysteme im Immobiliensektor und trägt aktiv zur Bekämpfung des Klimawandels durch Digitalisierung und Automatisierung bei. In der Rolle des Machine Learning Engineers unterstützen Sie das Team für Sektor-Kopplung beim Aufbau der nächsten Generation intelligenter Energiemanagementsysteme (EMS). Ihre Hauptaufgaben umfassen die Entwicklung und Verbesserung von Machine Learning-Modellen für Zeitreihenprognosen und nichtlineare Optimierungen, die Sie von der Konzeptphase bis zur Implementierung begleiten. Sie arbeiten eng mit Datenwissenschaftlern und Energieingenieuren zusammen, um Prognose- und Optimierungsmodelle in die Produktionsumgebung des EMS zu integrieren, sowohl in der Cloud als auch am Edge. Zudem sind Sie verantwortlich für die Wartung und Verbesserung der ML-Pipelines, um den gesamten Lebenszyklus der Modelle zu unterstützen – von der Experimentverfolgung bis hin zu Training und Validierung. Sie agieren als Hüter der Daten und sorgen dafür, dass die Merkmalserstellung für Zeitreihen, Asset-Telemetrie und Marktdaten robust ist. Darüber hinaus leiten Sie die Überwachung der Modellqualität und bewältigen Konzeptdrift sowie Leistungsbewertung. Ihre Rolle umfasst auch die Entwicklung digitaler Zwillinge und Simulationsumgebungen, um sicher zu testen, wie das EMS mit Komponenten interagiert, bevor diese mit echter Hardware in Kontakt kommen. Sie arbeiten eng mit Embedded- und Plattformteams zusammen, um Ihre Arbeit in das Edge-Gerät und die Backend-Services zu integrieren.

Der ideale Kandidat bringt einen starken Hintergrund in Python und Machine Learning Engineering mit, sowie praktische Erfahrungen in der Entwicklung, dem Testen und der Wartung von Modellen in containerisierten Produktionsumgebungen, wie Docker oder AWS. Sie sind mit dem gesamten Lebenszyklus des Machine Learning vertraut, von Training über Implementierung bis hin zur Überwachung, und haben Erfahrung im Umgang mit MLOps-Tools wie Prefect, MLflow oder ähnlichen Plattformen. Zudem verfügen Sie über Kenntnisse in der Zeitreihenprognose und nichtlinearer Optimierung und haben idealerweise mit stochastischer modellprädiktiver Steuerung oder probabilistischen Prognosetechniken gearbeitet. Sie sind neugierig auf die Funktionsweise physikalischer und Energiesysteme, von Wärmepumpen bis hin zu Strommärkten, und erkennen die Bedeutung der Validierung von Algorithmen, die reale Hardware steuern. Teamarbeit ist für Sie wichtig, und Sie können technische Konzepte klar an verschiedene Interessengruppen kommunizieren. Bonuspunkte sammeln Sie mit Erfahrungen in Reinforcement Learning, IoT/Edge-Implementierungen oder Energiemanagementsystemen (EMS), was jedoch kein Muss ist.