Machine Learning Engineer (m/w/d) - Foundation Models

Das Unternehmen ist ein innovatives Start-up, das sich auf KI-basierte Recyclinglösungen spezialisiert hat. In dieser Rolle als Machine Learning Engineer werden Sie Teil eines dynamischen und interdisziplinären Teams, das an der Entwicklung und Implementierung von fortschrittlichen Machine Learning Modellen arbeitet. Ihre Hauptaufgaben umfassen die Entwicklung und das Training von domänenspezifischen Vision-Modellen, die auf modernsten Architekturen basieren. Sie gestalten die gesamte ML-Trainings-Pipeline, einschließlich der Datenaufbereitung, des verteilten Trainings und der Modell-Versionierung. Zudem sind Sie verantwortlich für die Pflege der Eval Suite, die sicherstellt, dass die Modelle kontinuierlich verbessert werden. Durch Ihre analytischen Fähigkeiten identifizieren Sie systematisch Probleme während der Trainingsläufe und entwickeln nachhaltige Lösungen. Die enge Zusammenarbeit mit dem Cloud-Backend-Team ermöglicht es Ihnen, Modelle effizient ins Deployment zu bringen. Ihre Arbeit hat direkten Einfluss auf das Wachstum und den Erfolg des Unternehmens, da Sie innovative Ansätze im Bereich Computer Vision verfolgen und relevante Forschungsergebnisse in produktive Lösungen umsetzen. Sie werden die Möglichkeit haben, an der Entwicklung einer eigenen Foundation-Model-Strategie zu arbeiten und dabei auf eine einzigartige Datenbasis zuzugreifen.

Der ideale Kandidat bringt mehrjährige Erfahrung in der Entwicklung und im Training von Computer-Vision-Modellen mit, insbesondere mit modernen Vision-Transformer-Architekturen und Self-Supervised-Learning-Methoden. Ein sicherer Umgang mit PyTorch, einschließlich verteiltem Training und Performance-Optimierung, ist unerlässlich. Sie sollten auch Erfahrung mit modernen ML-Tooling-Stacks für Konfigurations-Management und Experiment-Tracking haben. Ein gutes Verständnis für Datenpipelines bei großen Datenmengen ist ebenfalls erforderlich. Kenntnisse in Inferenz-Optimierung und Modell-Distillation sind von Vorteil, ebenso wie Erfahrung mit Detection- und Anomalie-Detection-Frameworks. Ausgeprägte Problemlösefähigkeiten, analytisches Denken und wissenschaftliche Sorgfalt sind entscheidend. Fließende Deutschkenntnisse und gute Englischkenntnisse werden vorausgesetzt. Idealerweise haben Sie auch eigene Forschungserfahrung oder sind promoviert, was jedoch kein Muss ist.