Senior Machine Learning Engineer - Simulation & GenAI (f/m/x)

Das Unternehmen ist an der Spitze der Innovation im Bereich der Mobilität und setzt auf künstliche Intelligenz sowie maschinelles Lernen, um die nächste Generation des Fahrens zu gestalten. In dieser spannenden Rolle als Senior Machine Learning Engineer werden Sie maßgeblich an der Simulation fortschrittlicher Fahrerassistenzsysteme arbeiten, die für die Validierung dieser Systeme und die Generierung synthetischer Daten zur Schulung von End-to-End-Fahrstack erforderlich sind. Sie werden im Zentrum der virtuellen Entwicklung stehen, indem Sie sich auf die KI-basierte 3D-Rekonstruktion von realen Fahrumgebungen konzentrieren und KI-Modelle für intelligente, menschenähnliche Verkehrsteilnehmer entwickeln. Zu Ihren Aufgaben gehört die Evaluierung und Auswahl modernster GenAI-Modelle zur Verbesserung der Simulationsleistung. Des Weiteren gestalten und betreiben Sie eine skalierbare Trainings- und MLOps-Infrastruktur, die verteiltes Training, automatisierte Evaluierungs-Pipelines und optimierte Cloud- sowie On-Premise-Nutzung umfasst. Sie optimieren außerdem unsere GPU-Toolchain, das Scheduling, Profiling und die Ressourcenzuteilung, um schnelle und reproduzierbare Trainingszyklen zu gewährleisten. In einem agilen, interdisziplinären Ingenieurteam arbeiten Sie eng zusammen und tragen zur Simulation von Fahrerassistenzsystemen sowie zur Bewertung der Simulationsqualität bei. Das Unternehmen bietet Ihnen herausfordernde Projekte, die die Mobilität von morgen gestalten, sowie ein breites Spektrum an persönlichen und beruflichen Entwicklungsmöglichkeiten.

Der ideale Kandidat verfügt über einen Hochschulabschluss in Informatik, Data Science, Künstlicher Intelligenz, Mathematik, Physik oder einer vergleichbaren Qualifikation. Sie sollten mehrere Jahre Erfahrung im Bereich ML Engineering oder MLOps mitbringen, idealerweise mit praktischer Expertise in Quantisierung, Modellkompression, Experimentdesign, Ablationen, Datenqualität, Metriken und Evaluierung oder Architekturoptimierung. Ein tiefes Verständnis moderner KI-Modellarchitekturen, Trainingspipelines, verteiltem Lernen und GPU-Optimierung ist ebenfalls erforderlich. Sie sollten sicher im Umgang mit synthetischen Daten, Augmentierungsstrategien und datengestütztem Modell-Downgrading sein. Technische Fähigkeiten umfassen Kenntnisse in Python (plus C++/Rust), CUDA, API-Design, Testing, Debugging über den gesamten Stack und Git. Kenntnisse in 3D-Authoring-Tools wie Blender, glTF, Unreal und RoadRunner sind von Vorteil, ebenso wie Erfahrungen in der Erstellung von 3D-Szenen oder algorithmischer 3D-Rekonstruktion.