Das Unternehmen bietet eine spannende Gelegenheit für einen Machine Learning Engineer, der bereit ist, die Grenzen des Möglichen zu erweitern. In einem modernen und großzügigen Arbeitsumfeld, das reich an Entwicklungsmöglichkeiten ist, arbeiten die Mitarbeiter daran, innovative Lösungen zu entwickeln, die direkt in zukünftige Produkte einfließen. In dieser Rolle sind Sie Teil eines engagierten Teams, das an der Schnittstelle von Wissenschaft und Technologie arbeitet. Ihre Hauptaufgabe besteht darin, eine robuste MLOps-Infrastruktur zu entwerfen, zu implementieren und zu warten, die es Forschern ermöglicht, nahtlos von lokalen Experimenten zur globalen Produktion überzugehen. Darüber hinaus transformieren Sie experimentellen Forschungscode in modulare, leistungsstarke und wartbare Softwarepakete. Sie werden auch automatisierte Pipelines für das Testen, Erstellen und Bereitstellen von ML-Modellen in verschiedenen Produktumgebungen aufbauen und verwalten. Das Unternehmen legt großen Wert auf Teamarbeit und eine offene Kommunikationskultur, in der Ideen und Innovationen gefördert werden. Die Position bietet Ihnen die Möglichkeit, Ihre technischen Fähigkeiten weiterzuentwickeln und einen bedeutenden Beitrag zu leisten, indem Sie als interner Berater für Wissenschaftler fungieren und ihnen helfen, ihre Arbeitsabläufe zu optimieren.

Der ideale Kandidat verfügt über einen hervorragenden Hochschulabschluss in Informatik, Software Engineering oder einem verwandten technischen Bereich. Während fortgeschrittene Abschlüsse geschätzt werden, liegt der Fokus auf praktischer Erfahrung in der Entwicklung von produktionsreifen Softwaresystemen. Sie sollten über umfassende Kenntnisse in Python verfügen und ein Befürworter von sauberem Code und modularer Architektur sein. Erfahrungen mit C++ oder C# sind von Vorteil, um ML in leistungsstarke Hardwaresysteme zu integrieren. Ein 'DevOps-Mindset' sowie praktische Erfahrungen mit Docker und Kubernetes sind ebenfalls erforderlich. Sie sollten in der Lage sein, Infrastruktur mithilfe von Tools wie Terraform oder Ansible zu automatisieren und CI/CD-Pipelines zu entwerfen und zu pflegen. Vertrautheit mit MLOps-Tools wie MLflow oder Kubeflow ist wünschenswert. Zudem sollten Sie über gute Kommunikationsfähigkeiten verfügen, um Forscher in den besten Praktiken der Ingenieurwissenschaften zu unterstützen und sie bei der Umsetzung ihrer Ideen zu begleiten.