(Junior) Machine Learning Engineer (all genders)

Amazon Web Services (AWS) Artificial Intelligence (AI) Docker Google Cloud Platform KI-/Machine Learning Development Machine Learning

+2, * Gemeinsam mit erfahrenen Kolleg:innen übersetzt du Produkt- und Geschäftsfragen in klar definierte Machine-Learning-Aufgaben.

• Du entwickelst, evaluierst und verbesserst Machine-Learning-Modelle mit Python.
• Du trägst zu reproduzierbaren Daten- und ML-Pipelines bei - von ersten Experimenten bis zur Bereitstellung in der Produktion.
• Du bereitest Services oder Batch-Jobs mithilfe von Tools wie Docker für den produktiven Einsatz vor.
• Du arbeitest mit cloudbasierten ML-Umgebungen in AWS oder GCP.
• Du nutzt SQL, um Daten zu untersuchen, aufzubereiten und zu validieren.
• Du überwachst die Performance von Modellen, gehst möglichen Problemen auf den Grund und trägst dazu bei, die Zuverlässigkeit unserer produktiven Lösungen kontinuierlich zu verbessern.
• Du dokumentierst deine Arbeit sowie Annahmen, Abwägungen und Ergebnisse nachvollziehbar.
• Du arbeitest eng mit Kolleg:innen aus Data Engineering, Software Engineering, Product und weiteren Unternehmensbereichen zusammen.
• Du berücksichtigst bei der Entwicklung und Bewertung von Lösungen Aspekte wie Modellqualität, Robustheit und Fairness.

Job-Infos Berufsfelder Anwendungsentwicklung Studienfächer Informatik Wirtschaftsinformatik Abschluss Bachelor Master/Diplom IT-Gehälter Was kann ich verdienen? get in IT hat die Informationen von der Webseite des Unternehmens und ggf. sonstigen Quellen sorgfältig zusammengestellt. Diese Informationen wurden vom Unternehmen noch nicht autorisiert.Informationen für Unternehmen

• Solide Grundlagen in Machine-Learning-Konzepten und der Bewertung von Modellen, welche du durch dein Studium, eine Weiterbildung oder praktische bzw. berufliche Erfahrung gesammelt hast.
• Praktische Python-Kenntnisse und die Fähigkeit, klaren und gut wartbaren Code zu schreiben.
• Erste Berührungspunkte im Umgang mit Daten und SQL.
• Erste praktische Erfahrung bei der Entwicklung einer ML-Lösung.
• Interesse daran zu lernen, wie Modelle und Datenpipelines in Produktionsumgebungen bereitgestellt, überwacht und verbessert werden.
• Eine strukturierte Herangehensweise an die Problemlösung.
• Klare Kommunikationsfähigkeiten sowie eine offene und kooperative Arbeitsweise.
• Gute Englischkenntnisse für die tägliche Kommunikation.

Was du idealerweise noch mitbringst

• Erste Erfahrungen mit Docker oder einem anderen Containerisierungstool.
• Erste Berührungspunkte mit AWS, GCP oder einer anderen Cloud-Plattform.
• Vertrautheit mit NLP, Anwendungen großer Sprachmodelle (LLMs) oder KI-Agenten.
• Erfahrung mit NoSQL-Datenbanken, verteilter Datenverarbeitung oder Streaming-Technologien.
• Grundkenntnisse gängiger Software-Engineering-Praktiken wie Versionskontrolle, Testing und Continuous Integration.
• Erfahrung mit dem Betrieb, der Überwachung oder der Fehlerbehebung bei einem ML-Modell oder einer Datenpipeline.