Machine Learning Engineer - Automotive Unit

Das Unternehmen ist ein führender Anbieter von passiven Sicherheitssystemen und sucht einen hochqualifizierten und motivierten Machine Learning Engineer zur Verstärkung seines KI-Teams. In dieser Rolle arbeiten Sie an einer Vielzahl spannender Projekte im Bereich der Fahrzeuginnenraumüberwachung und der Produktionsqualitätsüberwachung. Sie werden eng mit Softwareentwicklern und Dateningenieuren zusammenarbeiten, um moderne Machine Learning-Algorithmen zu entwerfen, zu trainieren, bereitzustellen und zu evaluieren. Zu Ihren Aufgaben gehört es, hochmoderne tiefen neuronale Netzwerke für Aufgaben wie bildbasierte Klassifikation, Erkennung, Segmentierung und Posenabschätzung zu trainieren und zu evaluieren. Sie implementieren gut strukturierte und dokumentierte Codes für Trainingspipelines, Datenpipelines, qualitative Analysen und Leistungsbewertungen. Zudem sind Sie verantwortlich für die Bereitstellung von Modellen auf eingebetteten oder eingeschränkten Hardwareplattformen sowie für die Datenprobenahme und -analyse für spezifische Machine Learning-Aufgaben. Die Analyse und Dokumentation der quantitativen und qualitativen Leistung von Machine Learning-Modellen gehört ebenfalls zu Ihren Aufgaben. Das Unternehmen bietet Ihnen die Möglichkeit, Verantwortung zu übernehmen und einen Unterschied zu machen, mit flachen Hierarchien und flexiblen Arbeitszeiten. Neben der Arbeit in einem modernen Büro in Unterschleißheim ist auch die Möglichkeit gegeben, teilweise im Homeoffice zu arbeiten. Ein hochmotiviertes Team von Softwareentwicklern und Machine Learning-Experten freut sich darauf, Sie kennenzulernen und gemeinsam daran zu arbeiten, das Fahren noch sicherer zu machen.

Der ideale Kandidat verfügt über einen Masterabschluss in Informatik oder einem ähnlichen Fachgebiet. Erfahrung in Machine Learning-Projekten, sei es während eines Studiums, Praktikums oder einer Abschlussarbeit, ist von Vorteil. Fundierte Kenntnisse in Machine Learning, Deep Learning und Computer Vision sind unerlässlich. Darüber hinaus sollten Sie über ausgeprägte Programmierkenntnisse in Python und dessen Bibliotheken, einschließlich PyTorch, TensorFlow und OpenCV, verfügen. Kenntnisse über das Portieren von neuronalen Netzwerkmodellen auf eingebettete Systeme sind wünschenswert. Idealerweise haben Sie auch Erfahrung in der Implementierung von Forschungspapieren und eine persönliche GitHub-Seite. Ein Verständnis der aktuellen neuronalen Netzwerkarchitekturen sowie der Datenverteilung und deren Korrelation zum Training sind ebenfalls von Vorteil. Erfahrung mit Techniken zur Generierung synthetischer Daten, wie z.B. Diffusionsmodelle, variational Autoencoders oder GANs, sowie mit Optimierungstechniken für eingebettete Hardware, wie Quantisierung und Pruning, sind wünschenswert.