Machine Learning Engineer - Foundation Models

Beschreibung

Job Zusammenfassung In dieser Rolle entwickelst du eigenständig ein Waste Foundation Model, entwirfst die gesamte Trainings-Pipeline und optimierst Modelle für verschiedene Anwendungen einschließlich Edge-Hardware und Eval Suites. Job Zusammenfassung In dieser Rolle entwickelst du eigenständig ein Waste Foundation Model, entwirfst die gesamte Trainings-Pipeline und optimierst Modelle für verschiedene Anwendungen einschließlich Edge-Hardware und Eval Suites. Deine Rolle im Team Du entwickelst und trainierst unser eigenes "Waste Foundation Model" - auf Basis von State-of-the-Art-Architekturen wie DINOv2, SigLIP oder EVA-02 - durch Continued Pretraining (Self-Supervised) auf unserer Abfallbild-Datenbasis. Du gestaltest unsere komplette ML-Trainings-Pipeline: von der Datenaufbereitung (WebDataset, FFCV) über verteiltes Training (PyTorch FSDP/DDP, Mixed Precision) bis zur Modell-Versionierung. Du baust und pflegst unsere Eval Suite - die zentrale Infrastruktur, die misst, ob unsere Foundation Models wirklich besser werden: Linear Probing, k-NN-Probing, Few-Shot-Detection, Cross-Domain-Generalization, Anomalie-Detection. Du finetunst und destillierst unsere Modelle für konkrete Downstream-Tasks und Edge-Hardware (Sortieranlagen, GPU-Inferenz). Du analysierst Trainings-Runs systematisch, identifizierst Probleme wie Feature Collapse oder Domain Shift und entwickelst nachhaltige Lösungen statt kurzfristiger Workarounds. Du arbeitest eng mit dem Cloud-Backend-Team zusammen, um Modelle effizient ins Deployment zu bringen (ONNX, TensorRT, OpenVINO). Du verfolgst aktiv die Forschungsentwicklung im Bereich Vision Foundation Models und übersetzt relevante Paper in produktive Lösungen. Du denkst über das Modell hinaus und hast im Blick, wie deine Arbeit im realen Betrieb wirkt - für Sortieranlagen, Kunden und das Gesamtsystem. Unsere Erwartungen an dich Qualifikationen Du beherrschst PyTorch sicher - inklusive verteiltem Training (DDP, FSDP), gemischter Präzision (bf16/fp16) und Performance-Optimierung (torch.compile, Profiling). Du verstehst nicht nur, wie man ein Modell trainiert, sondern auch wie man evaluiert. Du weißt, dass eine schwache Eval Suite jedes Pretraining wertlos macht. Du nutzt moderne KI-Tools (z.B. Claude, Copilot), um Routine-Coding zu beschleunigen und dich auf die wirklich harten Forschungs- und Architekturfragen zu konzentrieren. Du hast ein gutes Verständnis für Datenpipelines bei großen Datenmengen (Millionen Bilder): Tar-Sharding, GPU-Augmentations (DALI), I/O-Bottlenecks. Du kennst dich mit Inferenz-Optimierung und Modell-Distillation aus (z.B. ViT-L ViT-S) und hast idealerweise schon Modelle auf Edge-Hardware deployed. Ausgeprägte Problemlösefähigkeit, analytisches Denken und wissenschaftliche Sorgfalt - du arbeitest hypothesengetrieben und nicht nach dem Try-and-Error-Prinzip. Sicherer Umgang mit Cloud-GPU-Infrastruktur (AWS, Azure, GCP oder On-Premise H100/A100-Cluster). Fließende Deutsch- (mind. C1) sowie gute Englischkenntnisse werden vorausgesetzt. Erfahrung Du bringst mehrjährige Erfahrung in der Entwicklung und im Training von Computer-Vision-Modellen mit, idealerweise mit Vision Transformers (ViT) und Self-Supervised-Learning-Methoden (DINO, MAE, iBOT, CLIP). Du hast Erfahrung mit modernen ML-Tooling-Stacks: Hydra für Configs, Weights & Biases oder MLflow für Tracking, DVC für Daten-Versionierung, timm für Backbones. Erfahrung mit Detection-/Segmentation-Frameworks (MMDetection, MMSegmentation) sowie Anomalie-Detection (anomalib) ist von Vorteil. Idealerweise hast du eigene Forschungserfahrung (Paper, Open-Source-Beiträge, Konferenz-Talks) oder bist promoviert - kein Muss, aber ein Plus. Unser Angebot Arbeit auf der "grünen Wiese" - Aufbau einer eigenen Foundation-Model-Strategie ohne Altlasten oder technische Schulden. Zugang zu einer einzigartigen, wachsenden Datenbasis aus realen Sortieranlagen - ein strategischer Vorteil, den keine Universität und kaum ein Wettbewerber hat. Einsatz aktueller Frameworks und eines top-modernen Tech-Stacks (PyTorch 2.x, FSDP, Hydra, W&B, DVC, timm). Substanzielle Compute-Ressourcen für Pretraining-Runs - wir wissen, dass ernsthaftes Foundation-Model-Training kein Hobby-Projekt ist. Enge Zusammenarbeit mit Forschungspartnern (u.a. THWS Würzburg im Rahmen von Green-INNO) und die Möglichkeit, eigene Forschungsergebnisse zu publizieren. Arbeiten in einem dynamischen und interdisziplinären Start-Up-Team mit viel Verantwortung und Gestaltungsspielraum von Anfang an. Kurze Entscheidungswege und eine Kommunikation ohne Umwege. Technologie mit Sinn: Du arbeitest an den größten Hebeln unserer Zeit - KI, Recycling und Circular Economy. Themen mit denen du dich im Job beschäftigst Machine Learning AI Computer Vision Metadaten Level: Erfahren Job Feld: Data, Back End Anstellung: Vollzeit Vertragsart: Unbefristetes Dienstverhältnis Arbeitsmodell: Onsite Unternehmenstyp: Startup Branche: Industrie, Produktion Ort: Würzburg | Deutschland

Tech Stack