Als Machine Learning Engineer (m/w/d) sind Sie verantwortlich für die Entwicklung, Implementierung und Optimierung von Machine Learning-Modellen und -Systemen, die es dem Unternehmen ermöglichen, datengetriebene Entscheidungen zu treffen und innovative Lösungen zu entwickeln. Sie arbeiten eng mit Data Scientists, Softwareentwicklern und anderen Fachbereichen zusammen, um KI- und ML-Lösungen in verschiedenen Bereichen, wie Automatisierung, Vorhersagemodellen und Prozessoptimierung, umzusetzen. Dabei stellen Sie sicher, dass die Machine Learning-Modelle skalierbar, leistungsfähig und in die Unternehmensprozesse integriert sind.

Ihre Aufgaben:

1. Entwicklung und Implementierung von Machine Learning-Modellen:
   • Design, Implementierung und Optimierung von Machine Learning-Algorithmen und -Modellen zur Lösung komplexer Probleme.
   • Entwicklung von Modellen zur Vorhersage, Klassifikation, Clustering und Empfehlung basierend auf Unternehmensdaten.
   • Auswahl geeigneter Algorithmen und Frameworks (z. B. TensorFlow, PyTorch, Scikit-learn) für spezifische Anwendungsfälle.
2. Datenaufbereitung und Feature Engineering:
   • Vorverarbeitung von strukturierten und unstrukturierten Daten (z. B. aus Datenbanken, Sensoren, Logfiles) zur Entwicklung von Modellen.
   • Durchführung von Feature Engineering, um die relevanten Merkmale aus den Daten zu extrahieren und die Modelle zu verbessern.
   • Sicherstellung der Datenqualität und Durchführung von Datentransformationen zur Optimierung der Modellleistung.
3. Modelltraining, -bewertung und -optimierung:
   • Durchführung des Trainings von Machine Learning-Modellen mit großen Datenmengen.
   • Evaluierung der Modelle anhand von Metriken (z. B. Genauigkeit, F1-Score, ROC-AUC), um deren Performance zu bewerten.
   • Optimierung und Feintuning der Modelle durch Techniken wie Hyperparameter-Tuning, Regularisierung und Cross-Validation.
4. Deployment und Integration von Machine Learning-Modellen:
   • Implementierung der entwickelten Modelle in produktive Systeme und deren Integration in bestehende Software-Architekturen.
   • Zusammenarbeit mit Softwareentwicklern, um skalierbare und robuste Machine Learning-Lösungen zu implementieren.
   • Überwachung und Wartung der Modelle im Betrieb, um deren Leistungsfähigkeit über Zeit zu gewährleisten (Model Monitoring).
5. Kontinuierliche Verbesserung und Forschung:
   • Ständige Evaluierung neuer Technologien, Algorithmen und Ansätze im Bereich Machine Learning und KI, um die besten Lösungen für das Unternehmen zu finden.
   • Durchführung von Forschungsprojekten und Prototypen, um innovative Ansätze für bestehende und zukünftige Geschäftsprobleme zu entwickeln.
   • Teilnahme an wissenschaftlichen Konferenzen und Workshops, um sich über die neuesten Entwicklungen im Bereich Machine Learning auf dem Laufenden zu halten.
6. Zusammenarbeit mit Data Scientists und Fachabteilungen:
   • Enge Zusammenarbeit mit Data Scientists, um Datensätze zu verstehen, Modelle zu entwickeln und neue Geschäftsprobleme anzugehen.
   • Zusammenarbeit mit anderen Abteilungen, um Machine Learning-Lösungen auf die spezifischen Bedürfnisse des Unternehmens anzupassen.
   • Unterstützung des technischen Teams bei der Implementierung und Verbesserung von Datenpipelines und Automatisierungslösungen.