Werkstudent MLOps-Plattform & Cloud-Native Infrastruktur

Als Werkstudent:in unterstützen Sie unser Team dabei, die verschiedenen Software-, Infrastruktur- und ML Komponenten unserer Forschungs- und Entwicklungsplattform zu einem funktionierenden Gesamtsystem zu verbinden und weiterzuentwickeln. Die Plattform überwacht den Sicherheits- und Robustheitszustand von Machine-Learning-Systemen über ihren gesamten Lebenszyklus hinweg - als Cloud-Native-System auf Basis von Kubernetes, das wir aktuell auf eine OpenStack-basierte Cloud-Infrastruktur überführen. Dabei arbeiten wir nach modernen Entwicklungs- und Betriebsprinzipien (Git-zentriert, IaC, Containerisierung, CI/CD)., * Mitarbeit an unserer geschichteten IaC-Architektur mit OpenTofu/Terraform (modulare Layer für Cloud-Infrastruktur, Plattform-Dienste und Anwendungen)

• Bereitstellung und Pflege von Kubernetes-Umgebungen, perspektivisch auf einer OpenStack-basierten Cloud, inkl. Netzwerk-, Storage- und Zugriffs-Konfiguration
• Deployment von Komponenten über Helm, Kustomize und K8s-Manifeste
• Fehlersuche im Cluster (Pods, Services, Logs, Events) mit kubectl

Container & Image-Management

• Bau und Pflege von Docker-Images für unsere Services (Multi-Stage-Builds, Build-Automatisierung)
• Verwaltung von Images in unserer internen Container-Registry

MLOps-Plattform & Modell-Serving

• Betrieb und Integration der MLOps-Bausteine: Kubeflow Pipelines & Training Operator, MLflow (Experiment-Tracking & Model Registry), KServe (Modell-Serving), MinIO (S3-kompatibler Storage)
• Unterstützung beim Registrieren, Deployen und Versionieren von ML-Modellen sowie beim Aufsetzen von Trainings- und Serving-Pipelines

Event-Streaming & Service-Integration

• Anbindung und Pflege der Streaming-Schicht für Inferenz-Logging (Kafka-kompatibler Message Broker, CloudEvents)
• Implementierung und Konfiguration von Schnittstellen zwischen den Services (REST, GraphQL, Message-Queues, Modell-Inferenz-Protokolle)

ML- & Data-Science-Unterstützung (je nach Interesse und Vorkenntnissen)

• Mitarbeit an unseren ML-Services in Python, z. B. bei Modell-Monitoring, Drift-Erkennung und der Demo-Anwendung
• Unterstützung bei Auswertungen, Diagnose-Plots und Methodenvergleichen

Qualitätssicherung & Automatisierung

• Erstellen und Ausführen von Unit-, Integrations- und Smoke-/End-to-End-Tests
• Automatisierung wiederkehrender Deployment- und Build-Schritte; Mitwirken am Aufbau von CI/CD Pipelines

Dokumentation & Knowledge Transfer

• Pflege von Architektur-, Deployment- und Runbook-Dokumentation (Markdown)
• Aufbereitung von Demo-, Präsentations- und Reproduktionsmaterialien

Must-Haves

• Eingeschriebene:r Student:in (Informatik, Data Science, Computational Engineering, Elektro-/Nachrichtentechnik oder vergleichbar)
• Solide Python-Kenntnisse und Freude am Lesen und Verstehen fremden Codes
• Grundverständnis von Containern (Docker) und Kubernetes
• Sicherer Umgang mit Git und der Kommandozeile (Linux)
• Selbstständige, lösungs- und prozessorientierte Arbeitsweise sowie Bereitschaft, sich zügig in neue Technologien einzuarbeiten
• Gute Deutsch- und Englischkenntnisse in Wort und Schrift

Nice-to-Have

• Erfahrung mit Infrastructure-as-Code (Terraform/OpenTofu)
• Erfahrung mit Cloud-Infrastruktur, idealerweise OpenStack
• Kenntnisse im MLOps-Umfeld (MLflow, Kubeflow, KServe, MinIO)
• Erfahrung mit Kafka bzw. event-getriebenen Architekturen
• Erfahrung mit ML-Frameworks (z. B. PyTorch) von Vorteil
• Interesse an ML-Sicherheit & -Robustheit (Angriffe auf Modelle, Modell-Monitoring)
• Erste Erfahrung mit agilen Methoden (Scrum, Kanban)

• Einsatzdauer: idealerweise 6-12 Monate

• Arbeitszeit: 15-20 Stunden pro Woche (in der vorlesungsfreien Zeit nach Absprache mehr)

• Hybrides Arbeitsmodell mit Remote-Möglichkeit, * Praxisnahe Mitarbeit an einem echten Forschungs- und Demonstrator-Projekt an der Schnittstelle von MLOps, Cloud-Native-Infrastruktur und ML-Sicherheit

• Tiefe Einblicke in einen modernen, durchgängigen Technologie-Stack (OpenTofu, OpenStack, Kubernetes, Kubeflow, MLflow, KServe, Kafka)

• Eigenverantwortliche Aufgaben mit direktem, sichtbarem Beitrag zum System

• Enge Betreuung und Mentoring durch erfahrene Engineers - kurze Wege, direktes Feedback und Raum, Verantwortung zu übernehmen

• Flexible, studienfreundliche Arbeitszeiten Perspektive auf eine längerfristige Zusammenarbeit nach Studienabschluss

AMS ist ein von Banken unabhängiges Leasing- und Beratungsunternehmen. Wir finanzieren Investitionsgüter aller Art und entwickeln Mobilitätskonzepte – von der Gehaltsumwandlung für Dienstwagen bzw. Diensträder bis zum Car-Sharing.