Machine Learning Engineer - MLOps & Software Engineering
Role details
Job location
Tech stack
Job description
Unser Team entwickelt Machine-Learning-Produkte für den operativen Kern von flaschenpost: Wir liefern die zentralen Inputs für die Tourenplanung und ermöglichen so eine robuste Planung und die Einhaltung unserer Lieferversprechen. Als Teil des Teams bist du mitverantwortlich für das Backend unserer Tourenplanungsschätzer und weiterer ML-Services, die direkt in die tägliche Steuerung unserer Operations eingreifen., * Du arbeitest an den Backend-Services hinter unserer Tourenplanungsschätzung und weiteren operativen Estimatoren (z.B. Prozessdauern, Fahrerverfügbarkeit) und stellst deren Stabilität und Wartbarkeit sicher
- Du übernimmst Verantwortung für Code-Qualität und Struktur in unseren ML-Repositories (Reviews, Refactorings, Architektur)
- Du arbeitest eng mit unseren Data Scientists zusammen und bringst Modelle und Feature-Pipelines zuverlässig in Produktion. Die zugehörigen Data- und Training-Pipelines in Databricks entwickelst und betreibst du mit
- Du baust und pflegst CI/CD-Pipelines in Azure DevOps - inklusive automatisierter Tests und Deployments
- Du stellst sicher, dass unsere Systeme in der Cloud-Umgebung zuverlässig laufen, analysierst Störungen im Produktivbetrieb und leitest daraus nachhaltige Verbesserungen für Code und Prozesse ab
Requirements
Uns ist wichtiger, wie du arbeitest, als eine bestimmte Anzahl an Berufsjahren. Du hast Erfahrung im professionellen Software Engineering und bereits selbstständig an produktiven Services oder Komponenten mitgewirkt: Von der Implementierung über Reviews und Tests bis zum stabilen Betrieb.
- Du arbeitest sehr sicher mit Python im Produktionskontext und schreibst strukturierten, gut wartbaren und testbaren Code
- Du bringst Erfahrung mit automatisierten Tests (z.B. pytest) mit und sorgst für sinnvoll aufgesetzte Unit- und Integrationstests in deinen Services
- Du hast Erfahrung mit Cloud-Umgebungen und CI/CD
- Du verstehst grundlegende ML-Konzepte (Trainings-/Inference-Pfade, Features, Retraining, Evaluation) gut genug, um Modelle und Pipelines unserer Data Scientists zu verstehen und produktionsreif zu machen
- Du kannst technische Themen adressatengerecht erklären und fühlst dich in einem deutschsprachigen Umfeld wohl; Englisch nutzt du sicher im technischen Kontext.