Senior Data Scientist – Python, ML & Signal-Processing (Berlin)

DATATRONiQ; Berlin; Vor Ort; EUR 90.000 - 130.000; Vollzeit

Zusammenfassung

DATATRONiQ sucht einen Senior Data Scientist, der den gesamten Data-Science-Lifecycle verantwortet – von der Erkundung bis zum Deployment. Die Rolle arbeitet mit Edge-Gateways, On-Prem und Cloud, verarbeitet reale Industriedaten via OPC-UA/MQTT und quantisiert Modelle für Produktionseinsätze.

Sie bringen mindestens drei Jahre Praxis mit Python, ML-Frameworks und Produktions-Deployment sowie starke Englischkenntnisse mit. Bonus: Edge-Deployment und Industriestandard-Protokolle.

Qualifikationen

• Abgeschlossenes Studium in Data Science, Informatik, Mathematik, Physik oder vergleichbar.
• Mindestens 3 Jahre Praxis mit Python, ML-Frameworks und Deployment in Produktionsumgebungen.
• Erfahrung mit Zeitreihenanalyse und Signalverarbeitung.
• Sehr gute Englischkenntnisse in Wort und Schrift.
• Bonus: Edge-Deployment/industrielle Protokolle (OPC-UA, MQTT) oder LLMs.

Aufgaben

• Du verantwortest den gesamten Data-Science-Lifecycle – von Exploration über Feature Engineering bis Deployment und Validierung.
• Du trainierst ML-Modelle zur Anomalieerkennung, Predictive Maintenance und Qualitätsüberwachung auf realen Produktionsdaten.
• Du deployst Modelle an Edge-Gateways, on-prem Server oder in der Cloud; Quantisierung, ONNX-Export, Monitoring.
• Du arbeitest eng mit Data Engineers und Backend-Entwicklern zusammen, damit Modelle zuverlässig in Produktions-Pipelines laufen.
• Du misst Modelle anhand relevanter Betriebskennzahlen und trägtst zur Produkt-Roadmap bei.
• Du wirkst aktiv an technischen Entscheidungen mit und bringst starke Argumente ein.

Kenntnisse

Python

ML-Frameworks

Zeitreihenanalyse

Signalverarbeitung

Edge-Deployment

ONNX

Englisch

Teamarbeit

Ausbildung

Data Science Studium

Tools

PyTorch

scikit-learn

ONNX

MLOps

Git

Docker

Jobbeschreibung

DATATRONiQ ist ein Deep-Tech-Startup aus Deutschland für Industrial IoT und Edge AI. Als Senior Data Scientist bei uns trainierst Du Machine-Learning-Modelle auf Basis von realen Maschinen- und Sensordaten – weltweit, vom mittelständischen Fertiger bis zum DAX-Konzern. Anomalieerkennung, Predictive Maintenance und Qualitätsüberwachung in Echtzeit. Die Daten sind echt, die Maschinen stehen in laufenden Produktionen, und Deine Modelle entscheiden mit darüber, ob eine Anlage planmäßig läuft oder ungeplant stillsteht. Wenn Du Modelle lieber im produktiven Einsatz siehst als in Notebooks optimierst, dann melde Dich gerne bei uns.

Über die Stelle

Du verantwortest den gesamten Data-Science-Lifecycle – von Exploration über Feature Engineering und Modelltraining bis zu Deployment und Validierung, je nach Kundensituation auf Edge-Gateway, on-prem Server oder in der Cloud. Die Zeitreihen kommen aus realen Industriesteuerungen über OPC-UA und MQTT; Feature Engineering heißt hier Signalverarbeitung auf verrauschten Sensordaten, nicht das Umschaufeln aufbereiteter Tabellenspalten. Deine Modelle werden quantisiert, zu ONNX exportiert und laufen direkt dort, wo die Produktion sie braucht – mit allen Konsequenzen, die das für Modellwahl, Latenz und Speicherverbrauch hat.

Dein Stack:

Python, PyTorch oder scikit-learn, ONNX für das Edge-Deployment und die gängigen MLOps-Werkzeuge für Versionierung und Reproduzierbarkeit.

Wir arbeiten in einem kleinen, eng abgestimmten Team. Code Reviews und Pair Programming gehören fest zum Alltag. Freitags zeigen wir uns interessante Funde im Web und neue Tools in unseren Show-and-Tell-Sessions. Als Data Scientist arbeitest Du eng mit Data Engineers und Backend-Entwicklern zusammen: Du baust die Modelle, sie bauen die Pipelines, und gemeinsam bringen wir beides in die Produktion.

Was sind Deine Aufgaben?

• Du trainierst ML-Modelle zur Anomalieerkennung, Predictive Maintenance und Qualitätsüberwachung und validierst sie auf realen Produktionsdaten und Zeitreihen aus Industriesteuerungen.
• Du machst Feature Engineering auf verrauschten Sensor- und Maschinensignalen (OPC-UA, MQTT, MES-Exporte), inklusive Signalverarbeitung und Filterung.
• Du deployst Modelle dorthin, wo der Kunde sie braucht – Edge-Gateway, on-prem Server oder Cloud: Quantisierung, ONNX-Export, teilweise mit begrenzten CPU- und RAM-Ressourcen, Tuning und Monitoring im Feld.
• Du arbeitest eng mit Data Engineers und Backend-Entwicklern zusammen, damit Modelle zuverlässig in unseren Produktions-Pipelines laufen – nicht als Prototyp in Notebooks.
• Du misst Modelle nicht nur an deren F1- oder AUC-Scores, sondern daran, was sie im Produktivbetrieb wirklich leisten: weniger ungeplante Stillstände, höhere Ausbringung, weniger Fehler.
• Du wirkst aktiv an Produkt-Roadmap und technischen Entscheidungen mit – wir erwarten Meinungen, nicht nur Abarbeitung von Tickets.

Was solltest Du mitbringen?

• Abgeschlossenes Studium in Data Science, Informatik, Mathematik, Physik oder einem verwandten Fach.
• Mindestens drei Jahre sehr praxisnahe Erfahrung mit Python, gängigen ML-Frameworks (PyTorch, scikit-learn, usw.) und Modell-Deployment in Produktionsumgebungen.
• Erfahrung mit Zeitreihenanalyse und Signalverarbeitung – wir erwarten kein PhD-Niveau, aber Du weißt, warum ein naiver MLP auf verrauschten Industriesignalen scheitert.
• Grundkenntnisse in MLOps: Versionierung von Modellen und Daten, reproduzierbare Pipelines, Tests für ML-Code.
• Sehr gute Englischkenntnisse in Wort und Schrift.
• Du kannst technische Entscheidungen begründen und im Team vertreten – auch gegen eine Mehrheit, wenn Du starke Argumente hast.
• Bonus: Erfahrung mit Edge-Deployment (ONNX, TensorRT, Quantisierung), industriellen Protokollen (OPC-UA, MQTT) oder LLMs für Chat und agentische Aufgaben.

Was erwartet Dich?

• Echte End-to-End-Verantwortung: von der Konzeption der Datenerfassung in der Produktion über die Pipeline bis zur Modellinferenz – auf Edge-Gateway, on-prem Server oder in der Cloud.
• Das Team entscheidet über Architektur, Tooling und Testabdeckung selbst.
• Agentische Werkzeuge im Alltag: Codex, Claude Code und neue Entwicklungspraktiken – wir probieren früh aus und nutzen, was funktioniert.
• Überwiegend vor Ort in Stuttgart, Ulm oder Berlin – Industrial-IoT-Projekte für Kunden weltweit, vom mittelständischen Fertiger bis zum DAX-Konzern.