Darum geht es
Du willst KI dort einsetzen, wo Daten unvollständig und schlecht dokumentiert sind? Als AI/ML Engineer bei nodeline entwickelst du Analyse- und Agentensysteme, die daraus belastbare Vorschläge für Datenmigration und -transformation ableiten.
Bei gewachsenen Systemen ist oft unklar, was Felder, Tabellen und Beziehungen tatsächlich bedeuten. Dokumentation fehlt, Benennungen sind kryptisch und Wissen steckt in Köpfen statt in Spezifikationen.
Du gehst das Problem aus zwei Richtungen an: textbasiert über Benennungen und Strukturen sowie datenbasiert über Verteilungen, Kardinalitäten, Formate und referenzielle Muster. Darauf baut ein Agentensystem auf, das die Analysen zusammenführt.
Ein Grundsatz ist dabei zentral: Das System muss sichtbar machen, was es nicht weiß. Konfidenz und Unsicherheit sind Teil des Entwurfs, damit Menschen gerade in regulierten Umfeldern fundiert entscheiden können.
Deine Aufgaben
- Datenverständnis:aus Schema, Metadaten und Dateninhalt Semantik ableiten
- Schema Matching & Profiling:statistische Muster, Embeddings, Ähnlichkeiten, Heuristiken und vortrainierte Modelle kombinieren
- Agentensysteme:Implementieren von Agenten und Agentenorchestrierung
- Konfidenz & Unsicherheit:Unsicherheit modellieren und menschliche Entscheidungen unterstützen
- Evaluation:Qualität auch ohne vollständige Ground Truth belastbar bewerten
- Production AI:Modelle und Analyseverfahren produktionsfähig integrieren, testen und weiterentwickeln
- Datenrealität:mit anonymisierten, synthetischen oder direkt in Kundenumgebungen verfügbaren Daten arbeiten, wenn Daten das Unternehmen nicht verlassen dürfen
Dein Profil
Fachlich:
- Studium der (Wirtschafts-)Informatik, Data Science, Mathematik, eines vergleichbaren technischen Fachs oder entsprechende praktische Erfahrung
- Erfahrung damit, Modelle oder ML-Komponenten in Produktion zu bringen
- sichere Python-Praxis auf produktionsfähigem Niveau
- Erfahrung mit wenig oder ohne Trainingsdaten: z.B. Zero-/Few-Shot, Embeddings, semantische Ähnlichkeit, statistische Verfahren und Heuristiken
- Erfahrung mit Evaluation ohne vollständige Ground Truth
- LLM-Integration über Prompting hinaus: Tool Calling, strukturierte Ausgaben, Umgang mit Nicht-Determinismus und dessen Testbarkeit
- solides Verständnis von Datenbanken und Datenmodellierung
- Deutsch und Englisch mindestens auf B2-Niveau, sicher in der mündlichen und schriftlichen Kommunikation
Wie du arbeitest:
- experimentell und ergebnisoffen in der Analyse, sauber und robust bei produktiven Systemen
- eigenverantwortlich, strukturiert und mit kritischem Blick auf Ergebnisse
- praktische Erfahrung mit Coding Agents oder ernsthafte Neugier auf deren produktiven Einsatz
- Dokumentation so, dass Wissen übergabefähig bleibt
Hilfreich, aber kein Muss:
- Schema Matching, Entity Resolution, Data Profiling oder semantische Typinferenz, Datenmigrationen oder ETL, Agenten-Frameworks und deren Grenzen, synthetische oder anonymisierte Daten sowie Erfahrung in Industrie, Medical oder Finance.
Das erwartet dich
- 62.000–72.000 € brutto/Jahrbei Vollzeit, abhängig von deiner Erfahrung
- Remote oder hybridmit Büro in Karlsruhe
- 30 Tage Urlaubund flexible Arbeitszeiten
- Temporäres Arbeiten aus dem EU-Auslandnach Absprache
- Zeit für deine Weiterentwicklung:½ Tag pro Woche ist fest für fachliches Lernen und Vertiefung reserviert, wenn es die Auslastung zulässt, ein ganzer Tag.
- Kurze Entscheidungswegeund direkter Austausch mit den Gründern und dem Engineering-Team
- Mit dem Unternehmen wachsen:Entwickle deinen Verantwortungsbereich entsprechend deiner Stärken und Interessen weiter
Wir bauen bewusst keine Silo-Rollen: Jede Person verantwortet ihren Bereich, versteht das Gesamtprodukt und unterstützt das Team. Agenten nehmen Arbeit ab, aber nicht die Verantwortung.
Wir freuen uns über Bewerbungen unabhängig von Geschlecht, Alter, ethnischer Herkunft, Behinderung, Religion oder Weltanschauung sowie sexueller Identität.
Datenschutz: Informationen zur Verarbeitung deiner personenbezogenen Daten im Rahmen unseres Bewerbungsverfahrens findest du hier