Land
Sektor
Beruf suchen
Machine-Learning-Ingenieur
Entwicklung und Optimierung von ML-Modellen für skalierbare, datengetriebene Systeme in produktiven Umgebungen
70 000 – 160 000 CHF ($)
Gehalt / Jahr
Master
Bildungsniveau
00
Automatisierung
Mittel
Schwierigkeit
Positiv
Beschäftigung
1-2 Jahre
Marktanspannung
Hoch
Mobilität
Möglich
Automatisierung
Mittel
Schwierigkeit
Positiv
Beschäftigung
1-2 Jahre
Marktanspannung
Hoch
Mobilität
Möglich
About
Machine-Learning-Ingenieur arbeitet an der Konzeption, Implementierung und dem Deployment von Machine-Learning-Modellen in produktiven Systemen. Er nutzt Frameworks wie TensorFlow, PyTorch und Scikit-learn sowie MLOps-Werkzeuge wie MLflow, Kubeflow oder SageMaker. Er arbeitet eng mit Data Scientists, Software-Ingenieuren, DevOps-Teams und Produktmanagern zusammen, um datengetriebene Lösungen vom Prototyp bis zur skalierbaren Produktionsreife zu entwickeln und kontinuierlich zu verbessern.
Kompetenzen
Technische Kompetenzen
- Beherrschung von Python mit Pandas, NumPy, Scikit-learn, PyTorch und TensorFlow
- Erfahrung mit MLOps-Tools wie MLflow, Kubeflow, SageMaker und Vertex AI
- Kompetenz in Containerisierung und Orchestrierung mit Docker und Kubernetes
- Entwicklung von Datenpipelines mit Apache Spark, Airflow und Prefect
- Vertrautheit mit Cloud-Plattformen wie AWS, GCP und Azure
- Kenntnisse in SQL und NoSQL-Datenbanken
- Expertise im Feature Engineering und der Datenvorverarbeitung
- Verständnis von Statistik und mathematischer Modellierung
Soft Skills
- Ausgeprägtes analytisches Denkvermögen
- Strukturierte Arbeitsweise für effiziente Prozesse
- Teamfähigkeit in interdisziplinären Gruppen
- Starke Kommunikationsfähigkeiten gegenüber nicht-technischen Stakeholdern
- Offenheit und Lernbereitschaft für neue Technologien
Aufgaben
- Analysieren von Rohdaten und Entwickeln von Feature-Engineering-Pipelines mit Pandas und Spark, um die Modellqualität um 15–30 % zu steigern
- Trainieren und Evaluieren von Klassifikations-, Regressions- und Clustering-Modellen mit Scikit-learn und PyTorch, basierend auf definierten KPIs wie F1-Score und AUC-ROC
- Optimieren von Hyperparametern mit Optuna oder Ray Tune, um die Trainingszeit um bis zu 40 % zu verkürzen
- Deployen von ML-Modellen als REST-APIs mit FastAPI oder Flask in containerisierten Kubernetes-Umgebungen
- Implementieren von CI/CD-Pipelines für ML-Workflows, um automatisierte Modellversionierung mit MLflow und GitHub Actions zu ermöglichen
- Überwachen der Modellperformance im Echtbetrieb mit Prometheus und Grafana und Einleiten von Retraining-Prozessen bei Drift-Erkennung
- Entwickeln von Datenpipelines mit Apache Airflow oder Prefect zur Automatisierung von Preprocessing-Workflows
- Durchführen von A/B-Tests zur Validierung neuer Modellversionen gegenüber Produktionsbaselines
- Dokumentieren von Modellarchitekturen, Experimenten und Deployment-Prozessen in Confluence oder Notion
- Kollaborieren mit Data-Engineering-Teams, um die Datenverfügbarkeit und -qualität in Feature Stores sicherzustellen
Arbeitsumgebungen
Die Arbeitsumgebungen können variieren:
Tech-Unternehmen und Start-ups im KI-Bereich
Forschungs- und Entwicklungsabteilungen großer Konzerne
Fintech- und E-Commerce-Plattformen
Gesundheitstechnologie und Medizintechnikunternehmen
Beratungsunternehmen mit KI-Fokus
Öffentliche Forschungsinstitute und Universitäten
Karrierewege
- Aufstieg zum Lead Machine-Learning-Ingenieur zur Führung von Teams
- Rolle als ML-Architect zur Gestaltung von Systemarchitekturen
- Position als Data-Science-Manager zur Leitung von Projekten
- Fokus auf Research-Scientist zur Innovation im ML-Bereich
- Entwicklung zum AI-Product-Manager für Produktstrategie
- Karriere als CTO / Head of AI zur Unternehmensführung
Gesuchtes Profil
Praxisorientierung bei Modellentwicklung und Deployment
Verständnis für End to-End-ML-Pipelines
Eigenverantwortliches Arbeiten in agilen Teams
Präzision bei der Auswertung von Metriken und Experimenten
Kommunikationsstärke in interdisziplinären Teams
Wie werde ich Machine-Learning-Ingenieur?
