Land
Sektor
Beruf suchen
KI-Ingenieur(in)
KI-Systeme konzipieren, trainieren und in produktive Umgebungen überführen – mit messbarem technischem Mehrwert
70 000 – 160 000 CHF
Gehalt / Jahr
Master's degree
Bildungsniveau
00
Automatisierung
Gering
Schwierigkeit
Stark
Beschäftigung
1-2 years
Marktanspannung
Hoch
Mobilität
Möglich
Automatisierung
Gering
Schwierigkeit
Stark
Beschäftigung
1-2 years
Marktanspannung
Hoch
Mobilität
Möglich
About
KI-Ingenieur(in) entwickelt und implementiert maschinelle Lernmodelle sowie KI-Systeme in technischen und datenintensiven Umgebungen. Die Tätigkeit umfasst den gesamten ML-Lifecycle – von der Datenpipeline über das Modelltraining bis zum produktiven Einsatz. Eingesetzt werden Frameworks wie TensorFlow, PyTorch oder Scikit-learn sowie MLOps-Plattformen. Ansprechpartner sind Datenwissenschaftler, Softwareentwickler, DevOps-Teams und Produktverantwortliche. Die Arbeit findet in interdisziplinären Teams statt, häufig in agilen Strukturen mit hohem Eigenverantwortungsgrad.
Kompetenzen
Technische Kompetenzen
- Erfahrung in Python (NumPy, Pandas, Scikit-learn) für Datenanalyse
- Arbeiten mit TensorFlow / PyTorch für Modellentwicklung
- Kenntnisse in MLOps (MLflow, Kubeflow, Weights & Biases) zur Optimierung
- Vertrautheit mit Docker / Kubernetes für Deployment
- Umgang mit SQL und NoSQL-Datenbanken zur Datenverwaltung
- Erfahrung mit Cloud-Plattformen (AWS SageMaker, GCP Vertex AI, Azure ML)
- Kompetenz in Feature Engineering und Datenvorverarbeitung
- Entwicklung von REST-APIs zur Modellintegration
Soft Skills
- Analytisches Denken bei komplexen Datenproblemen
- Strukturiertes Arbeiten bei parallelen Experimenten
- Klare Kommunikation technischer Ergebnisse an nicht-technische Stakeholder
- Selbstständiges Priorisieren in agilen Entwicklungsumgebungen
- Kritisches Hinterfragen von Modellannahmen und Ergebnissen
Aufgaben
- Entwickeln und Trainieren von Modellen des maschinellen Lernens mit PyTorch oder TensorFlow, um definierte Leistungsmetriken zu erreichen
- Aufbau und Pflege von Datenpipelines zur effizienten Verarbeitung großer strukturierter und unstrukturierter Datensätze
- Bewertung der Modellperformance durch Metriken wie F1-Score, AUC-ROC und Genauigkeitsraten
- Einsatz von ML-Modellen in produktiven Systemen über Kubernetes, Docker und CI/CD-Pipelines
- Optimierung von Hyperparametern durch Grid Search, Bayesian Optimization oder AutoML-Werkzeuge
- Integration von KI-Modulen in bestehende Softwarearchitekturen mittels REST-APIs oder gRPC
- Überwachung von Modellen in Produktion zur Erkennung von Datendrift und Leistungsabfall
- Durchführung von Experimenten mit Tracking-Plattformen wie MLflow oder Weights & Biases
- Erarbeitung von Feature-Engineering-Strategien zur Verbesserung der Modellqualität
- Dokumentation von Modellarchitekturen, Trainingsprozessen und Evaluierungsergebnissen für interne Stakeholder
Arbeitsumgebungen
Die Arbeitsumgebungen können variieren:
Tech-Unternehmen und Software-Startups mit innovativen Projekten
Forschungs- und Entwicklungsabteilungen in großen Konzernen
Unternehmensberatungen mit KI-Praxis und strategischer Ausrichtung
Finanzdienstleister und InsurTech-Unternehmen mit Fokus auf Datenanalyse
Gesundheitswesen und MedTech für fortschrittliche Patientenlösungen
Industrieunternehmen mit Automatisierungsinitiativen zur Effizienzsteigerung
Karrierewege
- Aufstieg zum Lead ML Engineer mit Teamverantwortung
- Karriere als Machine Learning Architect für strategische Planung
- Position als Head of AI oder Director of Artificial Intelligence
- Rolle als KI-Produktmanager(in) zur Leitung von Innovationsprojekten
- Forschungsingenieur(in) in angewandter KI mit Fokus auf neue Technologien
- Gründung eines KI-fokussierten Startups für zukunftsweisende Lösungen
Gesuchtes Profil
Ausgeprägte mathematisch statistische Grundlagen
Erfahrung im ML Lifecycle von der Entwicklung bis zur Produktion
Hohe Eigeninitiative bei Forschungs und Entwicklungsaufgaben
Kollaborative Arbeitsweise in interdisziplinären Teams
Wie werde ich KI-Ingenieur(in)?
