Description

Als MLOps Engineer gestaltest du die Grundlage für moderne Data- und AI-Plattformen. Dein Alltag umfasst die Automatisierung von ML-Modellen, die Optimierung der Performance und die enge Zusammenarbeit mit Data Engineers, um innovative Lösungen für Kunden zu entwickeln.

Requirements

• •Mindestens drei Jahre Berufserfahrung im MLOps- oder Data-Engineering-Umfeld
• •Fundierte Kenntnisse in CI/CD, Kubernetes und Container-Orchestrierung
• •Erfahrung mit ML-Frameworks wie TensorFlow und PyTorch
• •Tiefgehendes Wissen im Umgang mit MLOps-Tools (z. B. Kubeflow, MLflow, DVC)
• •Erfahrung mit Model-Builds, Deployment, Management und Skalierung
• •Kenntnisse in Model-Registrys, -Tracking, -Versioning und -Serving
• •Erfahrung mit Monitoring und Performance-Analysen von ML-Modellen
• •Verständnis aktueller Trends wie Agentic AI und Model Context Protocol (MCP)
• •Grundkenntnisse in Data & AI Governance sowie im Bereich Security & Compliance
• •Teamorientierte, strukturierte und lösungsorientierte Arbeitsweise
• •Technologische Umgebung / Tools: vLLM, Nvidia NIM, Nvidia Triton, Azure AI Foundry, Azure ML, AWS Bedrock, AWS SageMaker, llm-d, Inference Gateway (optional: OpenShift AI, CKA, Azure AI Engineer Associate)
• •Idealerweise relevante Zertifizierungen wie Databricks Certified Machine Learning Associate / Professional oder AWS Certified Machine Learning Engineer – Associate
• •Selbstständige, strukturierte und kreative Arbeitsweise sowie Freude an Teamarbeit
• •Sehr gute Deutsch- und gute Englischkenntnisse
• •Fließende Deutschkenntnisse

Tasks

• •Technologische Basis für Data & AI-Plattformen gestalten
• •Automatisierung von Machine-Learning- und KI-Modellen sicherstellen
• •Security- und Operations-Bereiche unterstützen
• •Monitoring- und Logging-Lösungen automatisieren
• •Auto-Scaling und Performance-Optimierung gewährleisten
• •CI/CD-Pipelines für ML-Modelle aufbauen und betreiben
• •Testing, Deployment und Monitoring durchführen
• •MLOps-Tools wie Kubeflow, MLflow und DVC weiterentwickeln
• •Model-Management für Build, Deployment, Versionierung, Tracking und Serving übernehmen
• •Modellperformance überwachen und bewerten
• •ML-/KI-Produkte für Kundenprojekte bereitstellen
• •Technische Dokumentationen erstellen und User Stories pflegen
• •Aktiv im agilen Projektvorgehen mitarbeiten
• •Eng mit Data Engineers und DevSecOps-Teams zusammenarbeiten
• •An konzeptionellen und strategischen Aufgaben zur Data & AI Governance mitwirken

Tools & Technologies

Benefits