MLOps Engineer (m/w/d) für den Bereich Künstliche Intelligenz (Artificial Intelligence)

ROHDE & SCHWARZ GmbH & Co. KG; Oed; Vor Ort; EUR 70.000 - 90.000; Vollzeit

Zusammenfassung

Ein führendes Unternehmen in der Technologiebranche in Bayern sucht einen Experten für KI-Anwendungen. Die Verantwortung umfasst die Weiterentwicklung stabiler KI-Systeme, das Monitoring der Systemlandschaft sowie die Automatisierung des ML-Lebenszyklus. Ideale Kandidaten sollten Erfahrung in Kubernetes, CI/CD-Pipelines und moderner Softwareentwicklung mitbringen.

Qualifikationen

• Erfahrung mit der Entwicklung und dem stabilen Betrieb von KI-Anwendungen.
• Fähigkeit zur Erstellung technischer Architekturen mit Fokus auf Sicherheit und Integration.
• Kenntnisse in der Automatisierung von ML-Prozessen.

Aufgaben

• Verantwortung für die Weiterentwicklung von KI-basierten Anwendungen.
• Erstellung technischer Architekturen für KI-Anwendungen.
• Automatisierung des ML-Lebenszyklus.

Kenntnisse

ML-Lebenszyklus Automatisierung

Skalierbare Architekturen

CI/CD-Pipelines

Kubernetes

Data Pipelines Optimierung

Tools

Prometheus

Grafana

Dagster

Jobbeschreibung

• Verantwortung für die Weiterentwicklung und den stabilen Betrieb von unternehmensweiten KI-basierten Anwendungen und Services bei Rohde & Schwarz – darunter beispielsweise Self-hosted Large Language Models (LLMs) und Retrieval-Augmented Generation (RAG) in On-Premise- sowie Off-Premise-Umgebungen
• Erstellung und Weiterentwicklung technischer Architekturen für KI-Anwendungen und -Infrastrukturen mit besonderem Fokus auf Skalierbarkeit, Sicherheit und Integration in die bestehende IT-Landschaft
• Automatisierung des ML-Lebenszyklus (MLOps): Entwicklung von Strategien zur Automatisierung der Datenvorbereitung, des Modelltrainings, der Modellvalidierung, der Bereitstellung und der Überwachung der Modelqualität im Betrieb
• Zusammenarbeit mit Data Scientists, DevOps Engineers und Data Engineers zur Integration von ML-Modellen in bestehende Anwendungen und Systeme, sowie die Validierung der Modelle
• Überwachung und Analyse der Systemlandschaft mithilfe moderner Monitoring-Tools wie Prometheus und Grafana, insbesondere im Kubernetes-Umfeld mit Fokus auf Performanceoptimierung und frühzeitige Problemidentifikation
• Innovationsfreude und Neugier beim Aufbau neuer Ansätze für den Betrieb von AI-Agent-Systemen – basierend auf Best Practices aus MLOps und LLMOps – sowie beim Erkunden neuer Anforderungen entlang des Lebenszyklus von AI Agents
• Aufbau und Pflege von CI/CD-Pipelines für ML-Projekte, um eine effiziente Bereitstellung von Modellen zu gewährleisten
• Optimierung von Data Pipelines auf Basis von Dagster in Kubernetes zur effizienten und automatisierten Verarbeitung großer Datenmengen in den Modellen
• Anwendung moderner GitOps-Workflows zur automatisierten Verwaltung der K8s-Infrastruktur