Edge AI Engineer (Mensch)

Neura Robotics; Gemeindeverwaltungsverband Metzingen, Riederich; Vor Ort; EUR 70.000 - 110.000; Vollzeit

Zusammenfassung

Neura Robotics sucht einen Edge AI Engineer, der Modelle als on-device Intelligenz auf unsere Roboter bringt. Du arbeitest an der Schnittstelle von Machine Learning, Embedded Systems und Robotik, um Modelle schnell, schlank und zuverlässig auf der Hardware zum Laufen zu bringen.

Du verantwortest die Toolchain von Model Export bis zu SDKs, optimierst Run times, analysierst Hardware-Budgets und arbeitest eng mit Research, Hardware, Software und Product zusammen, um On-Device-AI vom Forschungslabor

Qualifikationen

• Abschluss: Master oder PhD in Informatik, Elektrotechnik oder Embedded Systems oder verwandtem Feld.
• Mindestens 3 Jahre Praxis in ML oder Embedded-AI-Engineering mit produktivem Deployment auf Embedded-Hardware.
• Erfahrung mit Embedded-AI-HW-Plattformen (z. B. NVIDIA Jetson, IQ-Serie).
• Fundierte Modelloptimierungskompetenz (Quantization, Pruning, Distillation, Architecture Search).
• Gute Tools- und Deployment-Know-how (ONNX, TensorRT, AIMET oder SDKs).
• Tiefe Python/CPP-Kenntnisse, PyTorch, Embedded Linux, Low-Level-Profiling; Deutsch ist Plus, Englisch Pflicht.

Kenntnisse

Master- oder PhD-Abschluss in Informat

ML/Embedded-AI

Python

C++

PyTorch

Englisch-Kommunikation

Ausbildung

Master- oder PhD-Abschluss in Informatik/Elektro

Tools

ONNX

TensorRT

AIMET

Jobbeschreibung

Deine Mission & Herausforderungen

Als Edge AI Engineer bringst du modernste Modelle als produktionsreife, on-device Intelligenz auf unsere Roboter. Du arbeitest hands‑on an der Schnittstelle von Machine Learning, Embedded Systems und Robotik. Dein Fokus: Modelle schnell, schlank und zuverlässig auf der Hardware zum Laufen zu bringen, die wir ausliefern.

• Deployment am Edge: Du bringst Modelle vom Training bis in den Einsatz und nutzt dafür Quantization, Pruning, Distillation und jeden weiteren Hebel, um sie auf Embedded-Accelerator-Plattformen (z. B. NVIDIA Jetson, Qualcomm IQ-Serie) schnell und ressourcenschonend zu machen.

• Verantwortung für die Toolchain: Du arbeitest entlang der gesamten Kette aus Model Export, Inference-Optimierungs-Frameworks (z. B. ONNX, TensorRT, AIMET) und den SDKs, die aus einem Modell ein funktionierendes Roboterverhalten machen.

• Optimierung bis auf die Hardware-Ebene: Du profilierst, analysierst und optimierst Modelle und Runtimes, damit sie die Latenz-, Energie- und Speicherbudgets jeder Zielhardware einhalten.

• Zusammenarbeit über Funktionen hinweg: Du arbeitest eng mit Research, Hardware, Software und Product zusammen, um On-Device-AI von der Forschung bis zum ausgelieferten Produkt zu bringen.

• Qualitätsstandards setzen: Du baust Benchmarking, On-Device-Evaluation und Performance-Regressionstests für alle Hardware-Targets auf und pflegst sie.

• Die schwierigen Probleme lösen: Du analysierst Accuracy-Einbußen nach der Quantization, jagst Latenzspitzen und löst Probleme, die erst auf dem echten Chip sichtbar werden.

Was du mitbringst

• Starkes akademisches Fundament: Ein Master- oder PhD-Abschluss in Informatik, Elektrotechnik, Embedded Systems oder einem verwandten Fachgebiet.

• Nachgewiesene Erfahrung: Mindestens 3 Jahre Erfahrung im Bereich ML oder Embedded-AI-Engineering, inklusive echtem Produktiv-Deployment auf Embedded-Acceleratoren, nicht nur aus Papers.

• Hardware-Know-how: Praktische Erfahrung mit Embedded-AI-Hardwareplattformen (z. B. NVIDIA Jetson, Qualcomm IQ-Serie oder vergleichbar).

• Optimierungs-Expertise: Fundiertes Wissen in der Modelloptimierung von der Modellseite bis zur Hardware: Quantization, Pruning, Distillation und Architecture Search.

• Toolchain-Expertise: Sicherer Umgang mit gängigen Toolchains für Modelloptimierung und Deployment (z. B. ONNX, TensorRT, AIMET oder vergleichbare Hersteller-SDKs).

• Technische Tiefe: Starke Kenntnisse in Python und C++, Erfahrung mit PyTorch sowie Sicherheit im Umgang mit Embedded Linux und Low‑Level-Profiling.

• Die richtige Denkweise: Die Überzeugung, dass der einzige echte Test der Ziel-Chip ist und nicht der Trainings-Cluster.

• Zusammenarbeit & Kommunikation: Du arbeitest selbstständig, triffst fundierte Entscheidungen auch bei Unsicherheit und kommunizierst auf Augenhöhe mit Researchern, Hardware-Engineers und Product. Fließendes Englisch ist Voraussetzung, Deutschkenntnisse sind ein starkes Plus (B2 bis C1).