Group Lead Edge AI (Mensch)

Neura Robotics; Gemeindeverwaltungsverband Metzingen, Riederich; On-site; EUR 110,000 - 150,000; Full time

Job summary

Neura Robotics sucht eine erfahrene Führungskraft im Edge-AI-Bereich, die das Team leitend verantwortet und Edge-Modelle vom Training bis zum produktiven Einsatz bringt. Sie arbeiten eng mit Hardware, Software und Product zusammen, setzen Qualitätsstandards und optimieren die Toolchains für Embedded-Lösungen.

Sie verfügen über 7+ Jahre ML/Embedded-AI-Erfahrung, 2+ Jahre Führungsverantwortung, tiefe Kenntnisse in Modelloptimierung sowie Erfahrung mit Jetson/ IQ-Serie und relevanten SDKs.

Qualifications

• Master oder PhD in Informatik / Elektrotechnik / Embedded Systems
• 7+ Jahre ML oder Embedded-AI-Erfahrung, 2+ Jahre Führungsverantwortung
• Erfahrung mit eingebetteten AI-Hardware-Plattformen (z. B. NVIDIA Jetson, IQ-Serie)
• Tiefes Verständnis von Modelloptimierung (Quantization, Pruning, Distillation, Architecture Search)
• Sicherer Umgang mit ONNX, TensorRT, AIMET oder Vendor-SDKs
• Gute Python- und C++-Kenntnisse; Embedded Linux; Low-Level-Profiling
• Englisch verhandlungssicher; Deutsch vorteilhaft (B2–C1)

Responsibilities

• Verantwortung für Roadmap und technische Richtung
• Team aufbauen und führen
• Modelle deployed auf eingebetteten Beschleunigern
• End-to-end Toolchain verantworten (ONNX, TensorRT, AIMET)
• Zusammenarbeit mit Hardware, Software, Product
• Qualitätsstandards setzen; Benchmarking, Evaluation, Regressionstests
• Hands-on Debugging bei Accuracy-Drops und Latenzproblemen

Skills

ML/Embedded AI

Team leadership

Hardware platforms

Model optimization

ONNX

TensorRT

AIMET

PyTorch

Python

C++

Embedded Linux

Profiling

English

German

Education

Master oder PhD in Informatik / Elektrotechnik / Embedded Systems

Tools

ONNX

TensorRT

AIMET

Job description

Deine Mission & Herausforderungen

Als Group Lead Edge AI übernimmst du die Verantwortung für das Team, das aus modernsten Modellen produktionsreife, geräteseitige Intelligenz macht. Du gibst die technische Richtung vor, triffst die harten Entscheidungen zu Hardware und Architektur und bist hands-on genug, um selbst tief in einen Profiler einzutauchen, wenn es schwierig wird.

• Roadmap verantworten: Du treibst On-Device-AI von der Forschung bis zum ausgelieferten Produkt voran.

• Team aufbauen und führen: Du stellst Edge-AI-Engineers ein, förderst sie und entwickelst sie zu den Besten ihres Fachs.

• Modelle deploybar machen: Du bringst Modelle vom trainierten Zustand in den produktiven Einsatz – mit Quantization, Pruning, Distillation und jedem weiteren Trick, um sie auf eingebetteten Beschleuniger-Plattformen (z. B. NVIDIA Jetson, Qualcomm IQ-Serie) schnell und schlank zu machen.

• Toolchain end-to-end verantworten: Dazu gehören Model-Export- und Inference-Optimierungs-Frameworks (z. B. ONNX, TensorRT, AIMET) sowie die SDKs, die aus einem Modell ein funktionierendes Roboterverhalten machen.

• Funktionsübergreifend zusammenarbeiten: Du arbeitest eng mit Hardware, Software und Product zusammen, um die Grenzen des vorgegebenen Latenz-, Energie- und Speicherbudgets auszureizen.

• Qualitätsstandards setzen: Du verantwortest Benchmarking, On-Device-Evaluation und Performance-Regressionstests über alle Hardware-Ziele hinweg, die wir ausliefern.

• Selbst mit anpacken, wenn es zählt: Du debuggst einen Accuracy-Drop nach der Quantization, spürst Latenzspitzen auf und löst die Probleme, an denen sonst niemand vorbeikommt.

Was du mitbringst

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

• Nachgewiesene Erfahrung: 7+ Jahre in ML oder Embedded-AI-Engineering, davon 2+ Jahre in technischer Führungsverantwortung. Echte Produktions-Deployments auf eingebetteten Beschleunigern, nicht nur Papers.

• Hardware-Kompetenz: Praktische Erfahrung mit eingebetteten AI-Hardware-Plattformen (z. B. NVIDIA Jetson, Qualcomm IQ-Serie oder vergleichbar).

• Optimierungs-Expertise: Tiefes Verständnis von Modelloptimierung vom Modell bis zum Chip: Quantization, Pruning, Distillation und Architecture Search.

• Toolchain-Fluency: Sicherer Umgang mit gängigen Model-Optimierungs- und Deployment-Toolchains (z. B. ONNX, TensorRT, AIMET oder vergleichbaren Vendor-SDKs).

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

• Die richtige Einstellung: Die Überzeugung, dass der einzig echte Test der Zielchip ist – nicht der Trainingscluster.

• Führung & Kommunikation: Die Fähigkeit, Engineers zu führen, Entscheidungen unter Unsicherheit zu treffen und mit Forschenden, Hardware-Engineers und Product gleichermaßen auf Augenhöhe zu kommunizieren. Verhandlungssicheres Englisch erforderlich; Deutsch von Vorteil (B2 bis C1).