Required skills
- GraphStorm
- DGL (Deep Graph Library)
- AWS SageMaker
- Data Engineering
- MLOps Engineering
- AWS CloudFormation
- Pulumi
- Data Pipelines
- Python
- PySpark
- Delta Lake
- Parquet
- AWS S3
- Azure Blob Storage
- Feature Engineering
- PyTorch
- Amazon Neptune
- Gremlin
- Amazon Aurora
- Amazon RDS
- PostgreSQL
- XGBoost
- AWS Lambda
- API Gateway
- Step Functions
- Apache Kafka
- AWS MSK
- Infrastructure as Code
- GitLab
- CI/CD
Languages: German
Job description
Rahmendaten im Überblick:
Project overview
Im Rahmen der Digitalisierung entwickelt und betreibt der Kunde innovative Machine-Learning- und KI-Lösungen. Zentrale Anwendungsfelder sind die Betrugserkennung im Online-Vertrieb sowie die Optimierung operativer Prüfprozesse. Ziel des Projekts ist die Entwicklung, Produktivsetzung und kontinuierliche Optimierung skalierbarer KI-/ML-Modelle. Schwerpunkte bilden Graph Neural Networks, Gradient-Boosting-Verfahren, automatisierte Datenverarbeitung sowie der Aufbau und Betrieb leistungsfähiger MLOps- und Cloud-Infrastrukturen auf AWS.
Die Lösungen sollen einen zuverlässigen, nachvollziehbaren und effizienten Produktivbetrieb unter Berücksichtigung bestehender Governance- und Compliance-Anforderungen gewährleisten.
Responsibilities
- Entwicklung und Betrieb skalierbarer Datenpipelines zur Verarbeitung strukturierter und unstrukturierter Daten (Python, PySpark, Delta Lake, Parquet, polars/pandas) sowie Datenintegration über AWS S3 und Azure Blob Storage
- Konzeption und Implementierung von ML-Datenverarbeitungsprozessen (Datenaufbereitung, Feature Engineering, Graphkonstruktion aus tabellarischen Daten für GNN-Modelle mit GraphStorm, DGL, PyTorch)
- Aufbau und Weiterentwicklung von Graphdatenbanken auf Basis von Amazon Neptune und Gremlin (Datenmodellierung, Bulk-Loading, Query-Optimierung)
- Konzeption, Implementierung und Optimierung relationaler Datenbanklösungen auf Basis von Amazon Aurora, Amazon RDS und PostgreSQL
- Entwicklung und Betrieb automatisierter Datenverarbeitungs- und ML-Pipelines auf AWS SageMaker (Processing- und Training-Jobs, Hyperparameteroptimierung, Model Registry)
- Entwicklung und technische Integration produktiver ML-Komponenten auf Basis von Graph Neural Networks und Gradient Boosting (XGBoost) inkl. Inferenz-Endpunkten und Explainability-Verfahren (SHAP)
- Entwicklung und Integration von Daten- und Inferenzschnittstellen (AWS Lambda, API Gateway, Step Functions) sowie ereignisgesteuerte Datenverarbeitung über Kafka/MSK
- Automatisierung datenbezogener Infrastruktur- und Entwicklungsprozesse mittels Infrastructure as Code (CloudFormation, Pulumi) sowie Pflege von CI/CD-Komponenten in GitLab
- Technische Integration KI-basierter Agentensysteme (Datenanbindung GitLab/ITSM, Model Context Protocol (MCP), Observability mittels Langfuse)
- Entwicklung von Datenvisualisierungen und Analyse-Dashboards mit Grafana und Plotly
- Qualitätssicherung, Performanceoptimierung und technische Dokumentation unter Berücksichtigung von Entwicklungs-, Governance- und Compliance-Standards
Requirements
Es ist zwingend darauf zu achten, dass in den Profilen die notwendige geforderte Erfahrung ausgewiesen wird. Profile, aus denen die geforderten Kenntnisse und Erfahrungen NICHT hervorgehen, können leider nicht im Angebotsprozess berücksichtigt werden.
- Produktive Erfahrung mit GraphStorm oder DGL (Deep Graph Library) einschließlich Graphkonstruktion und Datenverarbeitung (mindestens 1 Referenzprojekt)
- Fundierte produktive Erfahrung (> 3 Jahre) mit AWS SageMaker, insbesondere Pipelines, Processing- und Training-Jobs, Model Registry und produktiven Endpoints
- Nachgewiesene Berufserfahrung im Data Engineering und/oder MLOps Engineering mit produktiv betriebenen Daten- und ML-Lösungen (mindestens 2 Referenzprojekte)
- Praktische Erfahrung mit Infrastructure as Code unter Einsatz von AWS CloudFormation oder Pulumi (mindestens 1 Referenzprojekt)
- Nachgewiesene Erfahrung in der Entwicklung und dem produktiven Betrieb automatisierter Datenpipelines für strukturierte und unstrukturierte Daten (mindestens 1 Referenzprojekt)
Nice to have
Interesse geweckt? Bei Interesse und Verfügbarkeit freue ich mich über Ihre zeitnahe Rückmeldung inkl. aktuellem CV (mit ausgewiesenen Referenzprojekten zu den Must-have-Anforderungen) sowie Ihrer Tagessatzvorstellung bis spätestens 19.11.2026 um 10:00 Uhr .
- Erfahrung mit Event-Streaming und ereignisgesteuerter Datenverarbeitung unter Einsatz von Apache Kafka oder AWS MSK (mindestens 1 Referenzprojekt)
- Erfahrung mit XGBoost einschließlich Integration in produktive ML-Prozesse (mindestens 1 Referenzprojekt)
- Erfahrung mit Explainable-AI-Verfahren (SHAP) einschließlich Integration in produktive ML-Prozesse (mindestens 1 Referenzprojekt)
- Erfahrung mit KI-Agentensystemen, Model Context Protocol (MCP) sowie Integration externer Systeme und Observability mittels Langfuse (mindestens 1 Referenzprojekt)
- Erfahrung mit verteilten Datenverarbeitungsframeworks (PySpark, Delta Lake) sowie Datenintegration über AWS S3 und Azure Blob Storage (mindestens 1 Referenzprojekt)
Project details
- Start: 01.01.2027
- Laufzeit: * Jahre)
- Auslastung: Vollzeit (ca. 220 Personentage/Jahr)
- Einsatzort: Remote (inkl. ca. 30 Personentage/Jahr vor Ort beim Kunden)
- Tagessatz: 600 € – 700 € all-in
- Projektsprache: Englisch, kein Nearshore möglich
- Bewerbungsfrist: 19.11.2026, 10:00 Uhr
Indexed by 9am's meta-search. You are a job provider? Claim or manage this listing
Found on FreelancerMap DE