Beschreibung
Unser Kunde – ein führendes Energieversorgungsunternehmen mit Sitz in Hamburg – betreibt mehrere datengetriebene Plattformen im Kontext Smart Grid, Metering und Energiemarktoptimierung. Im Rahmen der laufenden ML-Initiativen suchen wir Unterstützung durch einen erfahrenen Machine Learning Engineer (m/w/d) mit starkem Fokus auf produktive ML-Systeme, automatisierte Pipelines und Cloud-native Operationalisierung.
Deine Aufgaben
Machine Learning Engineering
• Feature Engineering und Modellentwicklung mit Scikit-learn, XGBoost, TensorFlow/PyTorch
• Umgang mit großen Zeitreihendaten (z.?B. aus SCADA-Systemen oder Smart Metering)
• Entwicklung von Training-/Test-Strategien unter Berücksichtigung saisonaler Muster
• Modellbewertung (Cross-Validation, ROC-AUC, Precision/Recall, Drift-Erkennung)
MLOps & Deployment
• Aufbau und Betrieb von ML Pipelines (z.?B. mit MLflow, Metaflow, Kubeflow oder Airflow)
• Containerisierung mit Docker und Deployment auf Cloud-Plattformen (AWS/GCP/Azure)
• Integration in CI/CD-Prozesse (Git, GitHub Actions, Jenkins o.?ä.)
• Monitoring von Modellen in Produktion (Inferenz-Zeiten, Performance-Metriken, Retraining-Zyklen)
• Automatisierung von Data & Model Validation Checks
Dein Profil
• Programmiersprachen: Python (inkl. NumPy, Pandas, PySpark), Shell/Bash
• Modeling Frameworks: Scikit-learn, TensorFlow, PyTorch, XGBoost
• Cloud: GCP, Azure oder AWS (inkl. ML Services wie SageMaker, Vertex AI, Azure ML)
• MLOps Tools: MLflow, Docker, Kubernetes, Prefect/Airflow, DVC
• Data: Erfahrung mit DWHs, Streaming (Kafka/Spark), und Zeitreihen
• Versionierung: Git, ggf. DVC oder Model Registry Tools
• Monitoring: Prometheus, Grafana, Evidently AI (oder vergleichbar)
• Erfahrung mit Energiesystemen, Marktkommunikation, Redispatch oder ENTSO-E Standards
• Kenntnisse in probabilistischen Modellen oder Forecast Ensembling
• Erfahrung in der Absicherung von ML-Systemen (Bias Checks, Fairness, Explainability)
Rahmendaten:
• Start: 01. September 2025
• Laufzeit: 4 Monate
• Auslastung: 5 Tage pro Woche
• Projektsprache: Deutsch (notwendig), Englisch
• Location: Hamburg (hybrid), 60% remote
Wir freuen uns auf Deine Bewerbung mit einer aktuellen Projektübersicht und Deinem Stundensatz. Melde Dich gerne, wenn Du Fragen hast.
Deine Aufgaben
Machine Learning Engineering
• Feature Engineering und Modellentwicklung mit Scikit-learn, XGBoost, TensorFlow/PyTorch
• Umgang mit großen Zeitreihendaten (z.?B. aus SCADA-Systemen oder Smart Metering)
• Entwicklung von Training-/Test-Strategien unter Berücksichtigung saisonaler Muster
• Modellbewertung (Cross-Validation, ROC-AUC, Precision/Recall, Drift-Erkennung)
MLOps & Deployment
• Aufbau und Betrieb von ML Pipelines (z.?B. mit MLflow, Metaflow, Kubeflow oder Airflow)
• Containerisierung mit Docker und Deployment auf Cloud-Plattformen (AWS/GCP/Azure)
• Integration in CI/CD-Prozesse (Git, GitHub Actions, Jenkins o.?ä.)
• Monitoring von Modellen in Produktion (Inferenz-Zeiten, Performance-Metriken, Retraining-Zyklen)
• Automatisierung von Data & Model Validation Checks
Dein Profil
• Programmiersprachen: Python (inkl. NumPy, Pandas, PySpark), Shell/Bash
• Modeling Frameworks: Scikit-learn, TensorFlow, PyTorch, XGBoost
• Cloud: GCP, Azure oder AWS (inkl. ML Services wie SageMaker, Vertex AI, Azure ML)
• MLOps Tools: MLflow, Docker, Kubernetes, Prefect/Airflow, DVC
• Data: Erfahrung mit DWHs, Streaming (Kafka/Spark), und Zeitreihen
• Versionierung: Git, ggf. DVC oder Model Registry Tools
• Monitoring: Prometheus, Grafana, Evidently AI (oder vergleichbar)
• Erfahrung mit Energiesystemen, Marktkommunikation, Redispatch oder ENTSO-E Standards
• Kenntnisse in probabilistischen Modellen oder Forecast Ensembling
• Erfahrung in der Absicherung von ML-Systemen (Bias Checks, Fairness, Explainability)
Rahmendaten:
• Start: 01. September 2025
• Laufzeit: 4 Monate
• Auslastung: 5 Tage pro Woche
• Projektsprache: Deutsch (notwendig), Englisch
• Location: Hamburg (hybrid), 60% remote
Wir freuen uns auf Deine Bewerbung mit einer aktuellen Projektübersicht und Deinem Stundensatz. Melde Dich gerne, wenn Du Fragen hast.