Senior MLOps / DevOps Engineer AI (Computer Vision) (m/w/d)

Das Unternehmen sucht einen erfahrenen Senior MLOps / DevOps Engineer mit Schwerpunkt auf Computer Vision, der die digitale Infrastruktur und Softwarelösungen maßgeblich mitgestaltet. In dieser Rolle sind Sie verantwortlich für die Konzeption, Implementierung und Wartung von Softwarelösungen sowie Cloud-Infrastrukturen, die für das Training, Management und Deployment von Computer-Vision-Datensätzen und -Modellen erforderlich sind. Sie entwerfen und optimieren Deployment-Pipelines, um eine nahtlose Integration und Skalierung von Machine-Learning-Modellen zu gewährleisten. Dabei arbeiten Sie eng mit einem Team von AI Engineers zusammen, um die Effizienz in der Entwicklung, im Training und im Deployment von KI-Modellen zu steigern. Zudem entwickeln und verwalten Sie ML-Pipelines und stellen sicher, dass diese in Produktionsumgebungen stabil laufen. Ihre Aufgabe umfasst auch den Aufbau einer robusten, sicheren und performanten Infrastruktur für KI-Lösungen im großen Maßstab. Das Team zeichnet sich durch eine kollaborative und innovative Arbeitsumgebung aus, in der Sie die Möglichkeit haben, Ihre Ideen einzubringen und sich fachlich weiterzuentwickeln.

Der ideale Kandidat bringt eine solide Grundlage im Software Engineering und im Bereich Machine Learning mit. Sie sollten mindestens 3 Jahre Berufserfahrung in den Bereichen MLOps, DevOps oder Data Engineering vorweisen können. Fließende Kenntnisse in Python sind unerlässlich, ebenso wie eine Leidenschaft für sauberen, wartbaren und gut getesteten Code. Idealerweise haben Sie bereits Erfahrung mit der ML-Library PyTorch. Sie sollten sicher im Umgang mit Docker und Kubernetes sein und Kenntnisse in Infrastructure as Code mit Terraform mitbringen. Praktische Erfahrungen mit mindestens einem großen Cloud-Provider (AWS, GCP oder Azure) sowie im Aufbau und Management von CI/CD-Pipelines sind ebenfalls erforderlich. Ein grundlegendes Verständnis von Deep Learning und KI-Workflows ist von Vorteil, ebenso wie Erfahrungen mit MLOps-Tools wie MLflow oder Kubeflow. Kenntnisse in Monitoring- und Observability-Stacks (z. B. Prometheus, Loki, Grafana) sowie ein Verständnis der DevOps-Prinzipien sind ebenfalls wichtig. Persönlich sollten Sie eine proaktive, zuverlässige und eigenständige Arbeitsweise mit einer Macher-Mentalität mitbringen.