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

In dieser spannenden Position als Machine Learning Engineer sind Sie verantwortlich für die Entwicklung und das Training von domänenspezifischen Vision-Modellen, die auf aktuellen State-of-the-Art-Architekturen basieren. Sie nutzen eine umfassende Datenbasis zur Verbesserung der Modelle durch Pretraining und Continued Pretraining. Ihre Aufgaben umfassen die Gestaltung der gesamten ML-Trainings-Pipeline, beginnend bei der Datenaufbereitung bis hin zum verteilten Training unter Verwendung von PyTorch. Zudem sind Sie für die Pflege und den Aufbau einer Eval Suite zuständig, die die Leistung der Modelle kontinuierlich überwacht und verbessert. Sie werden auch eng mit dem Cloud-Backend-Team zusammenarbeiten, um die Modelle effizient ins Deployment zu bringen. Ihre analytischen Fähigkeiten werden benötigt, um Trainings-Runs zu analysieren und nachhaltige Lösungen für identifizierte Probleme zu entwickeln. Sie verfolgen aktiv die neuesten Entwicklungen im Bereich Computer Vision und setzen relevante Forschungsergebnisse in produktive Lösungen um. In einem dynamischen und interdisziplinären Team haben Sie die Möglichkeit, Ihre Ideen einzubringen und die Entwicklung innovativer Lösungen voranzutreiben.

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 Konfigurationsmanagement und Experiment-Tracking haben. Ein gutes Verständnis für Datenpipelines bei großen Datenmengen ist wichtig, ebenso wie Kenntnisse in Inferenz-Optimierung und Modell-Distillation. Idealerweise haben Sie bereits Modelle auf Edge-Hardware deployed. Ausgeprägte Problemlösefähigkeiten, analytisches Denken und wissenschaftliche Sorgfalt sind erforderlich. Fließende Deutschkenntnisse sowie gute Englischkenntnisse werden vorausgesetzt. Forschungserfahrung oder eine Promotion sind von Vorteil, jedoch nicht zwingend erforderlich.