Unser Kunde ist ein führender Premium-Hersteller von Automobilen und Motorrädern sowie Anbieter von Premium-Finanz- und Mobilitätsdienstleistungen. Am Standort München suchen wir einen ML Ops Engineer - Implementation (f/m/x). In dieser Rolle sind Sie verantwortlich für den Aufbau und die Wartung von End-to-End ML-Pipelines, die Workflow-Orchestrierungstools nutzen. Sie arbeiten an der Transformation von Rohdaten in trainingsbereite Formate und entwickeln Tools für effiziente parallele Leser, Signalextraktion und die Synchronisation von Multi-Sensor-Streams. Zudem sind Sie für das Experiment-Tracking, Hyperparameter-Tuning und die Verwaltung von Modellregistrierungen zuständig, um Reproduzierbarkeit und Genehmigungsprozesse sicherzustellen. Ihre Aufgaben umfassen auch die Entwicklung und Wartung von Modellkompilierungs- und Optimierungspipelines, die auf Fahrzeughardware abzielen. Sie arbeiten in einem dynamischen Team, das Innovation und Zusammenarbeit schätzt und haben die Möglichkeit, an herausfordernden Projekten zu arbeiten, die die Mobilität der Zukunft gestalten. Das Unternehmen bietet ein unterstützendes Arbeitsumfeld, in dem Ihre Ideen geschätzt werden und Sie sich kontinuierlich weiterentwickeln können.

Der ideale Kandidat sollte über einen Hochschulabschluss in Informatik, Ingenieurwesen oder einem verwandten Bereich verfügen. Zudem sind 3-5 Jahre praktische Erfahrung in der ML-Infrastruktur oder MLOps erforderlich. Starke Python-Kenntnisse sind ein Muss, während Erfahrungen mit hermetischen Build-Systemen wie Bazel von Vorteil sind. Sie sollten Erfahrung mit Kubernetes in der Produktion haben, einschließlich der Bereitstellung und Fehlersuche von Workloads sowie dem Schreiben von Helm-Charts. Kenntnisse in der Orchestrierung von ML-Pipelines, Experiment-Tracking und Hyperparameter-Optimierung sind ebenfalls notwendig. Praktische Erfahrungen mit Infrastructure-as-Code für AWS, wie Terraform, sowie mit automobilen Messdaten wie MDF4 oder MCAP sind von Vorteil. Ein sicherer Umgang mit relationalen Datenbanken, wie PostgreSQL, und Erfahrung mit Dataset-Management-Tools sind ebenfalls wichtig. Darüber hinaus sind Kenntnisse in funktionaler Sicherheit (ISO 26262) oder AUTOSAR Adaptive wünschenswert.