AI Developer / MLOps Engineer (m/w/d) für Industrial AI, Edge AI & Databricks
Target Networks GmbH
Ansprechpartner: Moritz Bouzidi
München, Deutschland
Anlagen- und MaschinenbauAutomatic Data Processing EquipmentKünstliche IntelligenzAutomatisierungData ArchitectureDatenqualitätEdge Development OptionsPythonMaschinenbauMachine LearningProzessautomatisierungTensorFlowDataOpsAzure Machine LearningSQLDatenbank-EnginesDatadogAutomatisierte DatenverarbeitungPyTorchCloudformationPySparkApache FlinkDatenprogrammierungAWS Data AnalyticsMachine Learning OperationsCloud IntegrationTerraformAzure Data AnalyticsArtificial Intelligence Markup Language (AIML)Daten-PipelineDatabricks
Beschreibung
Im Mittelpunkt stehen die Automatisierung von ML-Retraining-Prozessen, die Weiterentwicklung einer Databricks-basierten Trainings- und Monitoring-Plattform sowie die simulationsgestützte Optimierung industrieller Regelkreise. Ein weiterer Schwerpunkt liegt auf dem Aufbau einer durchgängigen Observability-Lösung für Edge-AI-Services, vom Edge-System bis in die Cloud.
Gesucht wird ein Senior-Profil, das fundierte Erfahrung in Machine Learning, Data Engineering, MLOps und Cloud-/Edge-Architekturen verbindet und technische Lösungen eigenständig konzipieren, implementieren und in bestehende Support- und Betriebsprozesse integrieren kann.
AufgabenMLOps und automatisiertes Modell-Retraining
- Automatisierung des bestehenden Modell-Retraining-Prozesses
- Weiterentwicklung und Operationalisierung der Trainings-Pipeline
- Orchestrierung und Automatisierung von ML-Pipelines
- Integration der Lösung in bestehende Support-, Betriebs- und Deployment-Prozesse
- Nachverfolgung von Modellversionen, Experimenten und Deployment-Ständen, beispielsweise mit MLflow
Simulationsbasierte Regleroptimierung
- Entwicklung und Validierung von Simulationsmodellen für industrielle Füll- und Abfüllprozesse
- Automatisierte Optimierung von Reglerparametern innerhalb der Simulation
- Einsatz geeigneter Machine-Learning- und Optimierungsverfahren
- Übertragung der optimierten Parameter auf einen realen Testaufbau
- Validierung und Bewertung der Ergebnisse unter praxisnahen Bedingungen
- Optional: Einsatz von Reinforcement Learning zur Optimierung industrieller Regelprozesse
Databricks-basiertes Monitoring
- Überwachung von Datenqualität, Data Drift, Model Drift und Regelkreis-Performance
- Weiterentwicklung bestehender Monitoring-Dashboards
- Implementierung automatisierter Benachrichtigungen bei Qualitäts- und Performanceabweichungen
- Aufbau geeigneter Data-Quality-Prüfungen, beispielsweise mit DQX oder vergleichbaren Werkzeugen
- Analyse und Aufbereitung großer Datenmengen mit Spark und PySpark
Observability für Edge AI
- Erfassung, Verarbeitung und Visualisierung von Metriken, Logs und Traces
- Aufbau einer Echtzeitüberwachung für Edge-AI-Services
- Implementierung von Telemetrie und Observability mit OpenTelemetry
- Entwicklung eines durchgängigen Monitoring- und Alerting-Konzepts vom Edge-System bis in die Cloud
- Integration der Observability-Lösung in bestehende Cloud- und Betriebsumgebungen
Anforderungen
- Mehrjährige praktische Erfahrung in der Entwicklung und Operationalisierung von AI-/ML-Lösungen
- Sehr gute Kenntnisse in Python
- Erfahrung mit TensorFlow und/oder PyTorch
- Fundierte Erfahrung mit Databricks oder vergleichbaren Lakehouse-Plattformen
- Sehr gute Kenntnisse in Spark und PySpark
- Erfahrung mit Data Lakes und Data-Lakehouse-Architekturen
- Erfahrung im Design von ETL-/ELT-Prozessen, Datenmodellen und Data-Engineering-Architekturen
- Erfahrung mit der Orchestrierung und Automatisierung von ML-Pipelines
- Praktische Kenntnisse in MLflow oder vergleichbaren MLOps-Werkzeugen
- Erfahrung mit Docker und Kubernetes
- Kenntnisse in AWS Cloud Services
- Erfahrung mit Edge- und Cloud-Anwendungen
- Sehr gute Kenntnisse in SQL und Git
- Erfahrung mit Monitoring, Alerting und Data-Quality-Konzepten
- Erfahrung mit Infrastructure as Code, beispielsweise Terraform oder AWS CloudFormation
- Sehr gute Deutschkenntnisse für die Projektkommunikation
- Gute Englischkenntnisse für technische Dokumentation
- Leistungserbringung ausschließlich durch Ressourcen innerhalb der EU bzw. des EWR
Wünschenswerte Kenntnisse
- Erfahrung mit OpenTelemetry
- Kenntnisse in Reinforcement Learning
- Erfahrung in der Simulation und Optimierung industrieller Regelprozesse
- Kenntnisse in Regelungstechnik, Prozessautomatisierung oder industrieller Messtechnik
- Erfahrung mit produktionsnahen Edge-AI-Architekturen
- Kenntnisse in Model Drift Detection und Model Performance Monitoring
- Erfahrung mit DQX oder vergleichbaren Data-Quality-Werkzeugen
- Erfahrung in Maschinenbau, Anlagenbau, Produktionstechnik oder Abfülltechnik
- Sicherer und verantwortungsvoller Einsatz KI-unterstützter Entwicklungswerkzeuge
Projektrahmendaten
- Projektstart: 15.11.2026
- Projektende: 31.03.2027
- Verlängerungsoption: 01.04.2027 bis 31.12.2027
- Auslastung: 130 bis 150 Stunden pro Monat
- Einsatzmodell: überwiegend remote
- Vor-Ort-Anteil: circa drei Tage pro Quartal nach individueller Abstimmung
- Vor-Ort-Einsatz: an einem Kundenstandort innerhalb Deutschlands
- Projektsprache: Deutsch
- Dokumentation: Deutsch und Englisch
- Vertragsart: Freiberufliche Projektmitarbeit
- Datenschutzanforderung: Leistungserbringung aus der EU bzw. dem EWR
Bei Interesse und fachlicher Passung senden Sie uns bitte Ihr aktuelles Profil inklusive Verfügbarkeit, Auslastung und Remote-Stundensatz.