> Markdown version of [/jobs/ext/4777332-data-scientist-mlops-engineer-graphstorm-or-dgl-deep-graph-library](https://www.wearedevelopers.com/jobs/ext/4777332-data-scientist-mlops-engineer-graphstorm-or-dgl-deep-graph-library). Every page supports `.md` or `Accept: text/markdown`. Links point to the HTML versions so they work for humans too. Agent guide: [/agents.md](https://www.wearedevelopers.com/agents.md). --- # Data Scientist & MLOps Engineer - GraphStorm or DGL (Deep Graph Library) - **Company:** GULP Information Services GmbH - **Location:** Frankfurt am Main, Germany - **Contract:** Permanent contract - **Skills:** Artificial Intelligence, Amazon Web Services, Amazon S3, Cloud Storage, Information Engineering, Data Integration, Data Streaming, Unstructured Data, Pulumi, Data Processing, SHAP (Shapley Additive Explanations), Langfuse — LLM Observability and Analytics Platform, Cloudformation, Data Lakes, Pyspark, Xgboost, Apache Kafka, Machine Learning Operations - **Published:** November 19, 2026 - **Apply:** https://www.careerjet.de/jobad/def2e55de821047c380f36adea2e301fcd ## About the Role Must-have: Produktive Erfahrung mit GraphStorm oder DGL (Deep Graph Library) einschließlich Graphkonstruktion und Datenverarbeitung - Nachweis durch Anzahl Referenzen: 1 Must-have: Produktive Erfahrung mit AWS SageMaker, insbesondere Pipelines, Processing- und Training-Jobs, Model Registry und produktiven Endpoints - Nachweis durch Erfahrungslevel in Jahren: Intermediate (> 3 Jahre Erfahrung) Must-have: Berufserfahrung im Data Engineering und/oder MLOps Engineering mit produktiv betriebenen Daten- und ML-Lösungen. - Nachweis durch Anzahl Referenzen: 2 Must-have: Praktische Erfahrung mit Infrastructure as Code unter Einsatz von AWS CloudFormation oder Pulumi - Nachweis durch Anzahl Referenzen: 1 Must-have: Nachgewiesene Erfahrung in der Entwicklung und dem produktiven Betrieb automatisierter Datenpipelines für strukturierte und unstrukturierte Daten - Nachweis durch Anzahl Referenzen: 1 Erfahrung mit Event-Streaming und ereignisgesteuerter Datenverarbeitung unter Einsatz von Apache Kafka oder AWS MSK - Nachweis durch Anzahl Referenzen: 1 Erfahrung mit XGBoost einschließlich Integration in produktive ML-Prozesse - Nachweis durch Anzahl Referenzen: 1 Erfahrung mit Explainable-Al-Verfahren (SHAP) einschließlich Integration in produktive ML-Prozesse - Nachweis durch Anzahl Referenzen: 1 Erfahrung mit KI-Agentensystemen, Model Context Protocol (MCP) sowie Integration externer Systeme und Observability (Langfuse) - Nachweis durch Anzahl Referenzen: 1 Erfahrung mit verteilten Datenverarbeitungsframeworks (PySpark, Delta Lake) sowie Datenintegration über AWS S3 und Azure Blob Storage - Nachweis durch Anzahl Referenzen: 1