Applied Machine Learning Engineer, Industry Solutions

Die Rolle Der Applied Machine Learning Engineer wird Mitglied des AI Applied Research Teams von Terra Quantum sein. Dieses Team entwickelt und liefert End-to-End-Machine-Learning-Lösungen für Industriekunden in den Bereichen Zeitreihenprognose, Optimierung, Computer Vision, Natural Language Processing und Generative AI. Der Engineer verantwortet das klassische Machine Learning Craftsmanship, das diese Lösungen funktionsfähig macht – von der Datenexploration und dem Feature Engineering bis hin zur Modellauswahl, Hyperparameter-Optimierung, Trainings-Pipelines, Evaluation und der Auslieferung an den Kunden. Eine Untergruppe der vom Team entwickelten Modelle enthält eine Quantenschicht; es wird erwartet, dass der Engineer diese Schicht als eine architektonische Komponente einer ansonsten klassischen Pipeline betrachtet und das vollständige Toolkit klassischer ML-Methoden (einschließlich baumbasierter Methoden, Boosting, Deep Learning und klassischer Optimierung) anwendet, um sicherzustellen, dass hybride Lösungen auf realen Industriedaten zuverlässig performen. Der Applied Machine Learning Engineer spielt eine Rolle dabei, Exzellenz innerhalb seines Teams voranzutreiben. Er ist nicht nur detailorientiert, sondern besitzt auch eine bemerkenswerte Fähigkeit zu Begeisterung. Durch das Zeigen von Engagement und Leidenschaft für die Mission inspiriert er seine Teammitglieder dazu, dazu beizutragen, Quantentechnologien weit zugänglich zu machen und weltweit positive Veränderungen zu bewirken. Die Verantwortlichkeiten Der Applied Machine Learning Engineer wird voraussichtlich in einem der folgenden Bereiche des AI Applied Research Teams arbeiten und in den anderen unterstützen. Entwicklung und Lieferung von industriellen Machine Learning Lösungen Entwurf von End-to-End-ML-Pipelines für Kundenprobleme in den Bereichen Zeitreihen, Routing und Planung, GenAI, Natural Language Processing, Computer Vision und prädiktive Modellierung Wahl der richtigen klassischen Methode für das Problem (gradient-boosted Trees wie XGBoost oder LightGBM, Random Forests, tiefe neuronale Netze, Kernel-Methoden, klassische Optimierer) basierend auf Dateneigenschaften, nicht auf Framework-Präferenzen Behandlung der Quantenschicht (wenn vorhanden) als eine eingeschränkte Komponente des Modells und Anwendung klassischer ML-Handwerkskunst (Feature Engineering, Regularisierung, Trainingspläne, Hyperparameter-Sweeps), um die hybride Pipeline funktionsfähig zu machen Klassisches Machine Learning Craftsmanship im Dienste hybrider Modelle Die „unsexy“ Teile einer ML-Pipeline gut ausführen: Datenbereinigung, Schutz vor Data Leakage, Design von Kreuzvalidierungen, Baseline-Konstruktion, Tests auf statistische Signifikanz Entwurf von Merkmalsrepräsentationen, die mit der Quantenkomponente harmonieren, wenn eine vorhanden ist, einschließlich Fourier-Spektrum-Features und anderer quantenbewusster Kodierungen, die auch von klassischen Modellen konsumiert werden können Profiling und Verbesserung der Trainingsstabilität, wenn Gradienten verrauscht oder nicht standardmäßig sind, in Zusammenarbeit mit dem Quantum Research Team Beitrag zu unseren internen ML-Bibliotheken und SDKs, damit zukünftige Kundenprojekte das nutzen können, was in einem Projekt aufgebaut wurde Unterstützung von Forschung und angewiedeter Produktentwicklung Übersetzung vorgeschlagener Quanten-Machine-Learning-Algorithmen und Ansätze aus dem Forschungsteam in testbare Implementierungen innerhalb klassischer ML-Pipelines Hilfe bei der Evaluierung, wo und warum eine Quantenschicht einen messbaren Nutzen bei angewandten Aufgaben bringt und – ebenso wichtig – wo dies nicht der Fall ist Die Anforderungen Es wird erwartet, dass der Applied Machine Learning Engineer je nach Aktivitätsbereich über mehrere Qualifikationen verfügt. Abgeschlossenes Masterstudium in Informatik, angewandter Mathematik, Data Science, Statistik, Ingenieurwesen, Physik oder einem gleichwertigen Fachbereich Hands-on-Erfahrung mit klassischem Machine Learning durch Kurse, ein industrielles Praktikum, ein Forschungsprojekt oder eine erste Junior-Rolle sowie ein klares Interesse daran, im Bereich Applied ML weiterzumachen Fundierte Kenntnisse in Python, dem Standard-Data-Science-Stack (NumPy, pandas, scikit-learn) und mindestens einem Deep-Learning-Framework (PyTorch oder TensorFlow) Sicherheit im Umgang mit dem klassischen ML-Toolkit über Deep Learning hinaus, einschließlich baumbasierter Methoden (XGBoost, LightGBM, Random Forests), Gradient Boosting und Kernel-Methoden, mit gutem Urteilsvermögen, welche Methode zu welchem Problem passt Erfahrung im Entwurf strenger Experimente (Kreuzvalidierung, Baseline-Konstruktion, statistische Tests, Hold-out-Evaluation) und ehrlicher Berichterstattung der Ergebnisse mit angemessener Unsicherheit Software-Engineering-Grundlagen: Versionskontrolle mit Git, Testing, reproduzierbare Umgebungen, konfigurationsgesteuerte Experimente Neugier auf Quantencomputing und die Bereitschaft, die notwendigen Quantenkonzepte im Job zu erlernen. Eine formale Quantenausbildung ist nicht erforderlich, und Erfahrung mit Frameworks wie PennyLane, Qiskit oder Cirq ist eher ein Plus als eine Voraussetzung Vertrautheit mit mindestens einem angewandten ML-Vertikal wie Zeitreihenprognose, NLP, Computer Vision oder industrieller Optimierung ist ein Plus Zielorientiert und analytisch, mit der Fähigkeit, sowohl unabhängig als auch als Teil eines interdisziplinären Teams zu arbeiten Beherrschung der englischen Sprache in Wort und Schrift Bewerber müssen das rechtliche Recht haben, in der Europäischen Union oder in der Schweiz zu leben und zu arbeiten. Leider können wir für diese Position kein Visum-Sponsoring anbieten. Die Benefits Wir sind ein internationales Team aus Quantentechnologie-Experten und engagierten Business Creatives, die daran arbeiten, quantenbasierte Lösungen auf den globalen Markt zu bringen. Unsere brillanten Teammitglieder genießen ein hohes Maß