AI Developer / MLOps Engineer (m/w/d) für Industrial AI, Edge AI & Databricks

Project overview

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

Simulationsbasierte Regleroptimierung

Databricks-basiertes Monitoring

Observability für Edge AI

Muss-Anforderungen

Wünschenswerte Kenntnisse

Projektrahmendaten

Bei Interesse und fachlicher Passung senden Sie uns bitte Ihr aktuelles Profil inklusive Verfügbarkeit, Auslastung und Remote-Stundensatz.

• 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
• 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
• 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
• 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
• 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
• 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
• 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