MLOps Engineer - Implementation (f/m/x)

Das Unternehmen sucht einen engagierten MLOps Engineer, der die spannende Herausforderung annimmt, innovative Machine Learning (ML) Infrastrukturen zu entwickeln und zu betreiben. In dieser Rolle sind Sie verantwortlich für den Aufbau und die Wartung von End-to-End ML-Pipelines, die von der Datenaufnahme über verteiltes Training bis hin zur Bereitstellung von einsatzbereiten Artefakten reichen. Sie arbeiten in einem dynamischen Team, das sich leidenschaftlich für die Entwicklung von Technologien zur Verbesserung der Mobilität der Zukunft einsetzt. Zu Ihren Aufgaben gehört auch die Entwicklung von Petabyte-großen Datenpipelines, die Rohdaten in trainingsbereite Formate umwandeln. Darüber hinaus erstellen Sie Werkzeuge für effiziente parallele Leser, die Signalextraktion und die Synchronisation von Multi-Sensor-Streams unterstützen. Sie sind auch für das Experiment-Tracking, die Hyperparameter-Optimierung und die Verwaltung von Modellregistern zuständig, um die Reproduzierbarkeit und Nachverfolgbarkeit von Experimenten zu gewährleisten. Das Arbeitsumfeld ist geprägt von einer Kultur der Zusammenarbeit, in der jede Meinung geschätzt wird und innovative Ideen gefördert werden. Es erwarten Sie herausfordernde Projekte und zahlreiche Möglichkeiten zur persönlichen und beruflichen Weiterentwicklung.

Der ideale Kandidat bringt einen Hochschulabschluss in Informatik, Ingenieurwesen oder einem verwandten Bereich mit. Sie sollten über 3 bis 5 Jahre praktische Erfahrung im Bereich ML-Infrastruktur oder MLOps verfügen. Starke Python-Kenntnisse sind unerlässlich, und Erfahrungen mit hermetischen Build-Systemen wie Bazel sind von Vorteil. Zudem sollten Sie über Kenntnisse in der Produktion mit Kubernetes verfügen, einschließlich der Bereitstellung und Fehlersuche von Workloads sowie dem Schreiben von Helm-Charts. Ein fundiertes Wissen über ML-Pipeline-Orchestrierung, Experiment-Tracking und Hyperparameter-Optimierung ist ebenfalls erforderlich. Praktische Erfahrungen mit Infrastructure-as-Code für AWS, insbesondere mit Terraform, sowie Kenntnisse über automotive Messdaten wie MDF4 oder MCAP sind wünschenswert. Sie sollten sich auch mit relationalen Datenbanken wie PostgreSQL auskennen und Erfahrung mit Tools zur Datenverwaltung haben. Ein Bewusstsein für funktionale Sicherheit (ISO 26262) oder AUTOSAR Adaptive wäre von Vorteil. Persönliche Eigenschaften wie Teamfähigkeit, analytisches Denken und eine proaktive Arbeitsweise runden Ihr Profil ab.