AI Engineer

Bei Roche können Sie so auftreten, wie Sie sind, und werden für die einzigartigen Qualitäten geschätzt, die Sie einbringen. Unsere Kultur fördert persönlichen Ausdruck, offenen Dialog und echte Verbindungen, in denen Sie für das, was Sie sind, geschätzt, akzeptiert und respektiert werden, was es Ihnen ermöglicht, sich sowohl persönlich als auch beruflich zu entfalten. So wollen wir Krankheiten vorbeugen, stoppen und heilen und sicherstellen, dass jeder Zugang zu einer Gesundheitsversorgung hat – heute und für kommende Generationen. Schliessen Sie sich Roche an, wo jede Stimme zählt.

Die Position
Bei Roche setzen wir uns dafür ein, unseren Patienten grössere Vorteile zu bieten, indem wir digitale, Daten- und KI-Fähigkeiten auf reale operative Herausforderungen anwenden. Der AI Engineer Level 6 ist ein erfahrener, praxisorientierter technischer Mitarbeiter innerhalb des AI Engineering Cluster, verantwortlich für das Design, die Bereitstellung, die Evaluierung und den Betrieb robuster KI-Lösungen in den Pharma Technical Operations.

Diese Rolle verantwortet bedeutende Teile der End-to-End KI-Bereitstellung, einschliesslich Lösungsarchitektur, Datenpipelines, Machine Learning und GenAI-Systeme, agentische Workflows, KI-Evaluierungs-Harnesses, Backend-Services, Benutzeroberflächen und Produktionsbetrieb. Die Rolle arbeitet mit Fachbereichen, IT, Qualität und technischen Experten zusammen, um komplexe operative Herausforderungen in zuverlässige, skalierbare, konforme und messbare KI-gestützte Produkte zu übersetzen.

Rollendeskription
Die Rolle ist eine Senior-KI-Engineering-Position für jemanden, der starke technische Tiefe mit praktischer Verantwortung für die Umsetzung kombiniert. Es wird erwartet, dass der AI Engineer Level 6 die Lösungsbereitstellung eigenständig leitet, fundierte architektonische Entscheidungen trifft, andere Ingenieure mentort und sicherstellt, dass KI-Lösungen einen messbaren Geschäftswert schaffen und gleichzeitig die Erwartungen an Zuverlässigkeit, Skalierbarkeit, Evaluierung, Agenten-Management und Compliance erfüllen.

KI-Lösungsführerschaft & Bereitstellung
End-to-End-Verantwortung für die Bereitstellung: Verantwortung für die technische Bereitstellung von KI-Lösungen vom Problemverständnis und Design über den Aufbau, die Bereitstellung, das Monitoring, die Evaluierung, die Einführung und die kontinuierliche Verbesserung.
Lösungsarchitektur: Design skalierbarer KI-Anwendungsarchitekturen, einschliesslich Datenflüssen, Modellintegration, GenAI-Orchestrierung, APIs, Benutzeroberflächen, Agenten-Workflows und Produktionsinfrastruktur.
GenAI und agentische KI: Design und Implementierung fortschrittlicher GenAI-Lösungen, einschliesslich RAG-Architekturen, mehrstufiger Workflows, werkzeugnutzender Agenten, LLM-Orchestrierung und Evaluierungsansätzen.
Engineering-Qualität: Anwendung und Mitentwicklung starker Engineering-Praktiken, einschliesslich automatisiertem Testen, Code-Reviews, CI/CD, Observability, Dokumentation und Wartbarkeit.
Produktionsleistung: Sicherstellung, dass KI-Lösungen in Produktions- oder produktionsnahen Umgebungen zuverlässig, sicher, überwacht, kosteneffizient und kontinuierlich verbessert sind.
Wertschöpfung: Übersetzung von Geschäftsanforderungen in technische Lösungen und Unterstützung bei der Definition von Erfolgsmetriken, die den operativen und geschäftlichen Einfluss nachweisen.

Moderne KI-Engineering-Fähigkeiten
Design von Evaluierungsrahmen: Design und Implementierung datenwissenschaftlich getriebener Evaluierungsrahmen für KI-, GenAI-, RAG- und agentische KI-Systeme, einschliesslich Offline-Benchmarks, Golden Datasets, synthetischer Testfälle, menschlicher Evaluierungs-Workflows und automatisiertem Regressionstests.
Entwicklung von KI-Harnesses: Verantwortung für die Entwicklung von KI-Engineering-Harnesses für wiederholbare Experimente, Evaluierung, Validierung und den Vergleich von Modellen, Prompts, Retrieval-Strategien, Agenten-Verhalten und Werkzeugintegrationen.
Verantwortung für agentische KI-Lösungen: Design und Bereitstellung von agentischen KI-Systemen auf Produktionsniveau, einschliesslich Agenten-Orchestrierung, Werkzeugintegration, Aufgabenzerlegung, Zustandsverwaltung, Memory-Mustern, Guardrails und menschlichen Eskalationspfaden.
Agenten-Lebenszyklus-Management: Verwaltung bereitgestellter Agenten über ihren gesamten Lebenszyklus hinweg, einschliesslich Versionierung, Testen, Release-Management, Monitoring, Incident Response, kontinuierlicher Verbesserung und Ausmusterung.
Leistungs- und Risikomonitoring: Implementierung und Betrieb von Observability für KI-Systeme, einschliesslich Qualitätsmetriken, Geschäftsauswirkungsmetriken, Kosten, Latenz, Fehlermodi, Drift, Halluzinationsrisiko, Grounding-Qualität und operativer Zuverlässigkeit.
Modell- und Workflow-Vergleich: Leitung strukturierter Experimente zum Vergleich von Foundation Models, Prompts, Embeddings, Retrieval-Ansätzen, Orchestrierungsmustern und Agenten-Konfigurationen.

Technische Expertise
KI-Engineering-Tiefe: Anwendung fundierter Kenntnisse in Machine Learning, prädiktiver Modellierung, Zeitreihen, Computer Vision und multimodaler KI sowie LLMs, RAG, agentischer KI, Prompt Engineering, Modellevaluierung und KI-Anwendungsdesign.
Software- und Plattform-Engineering: Aufbau robuster Python-basierter Services, APIs, Microservices, Dashboards und Integrationen unter Verwendung moderner Software-Engineering-Praktiken.
Cloud und DevOps: Design und Bereitstellung von Lösungen unter Verwendung von AWS, Docker, CI/CD-Pipelines, Monitoring und Cloud- oder Hybrid-Deployment-Mustern.
Data Engineering: Arbeit mit SQL, operativen Daten, Zeitreihendaten, strukturierten und unstrukturierten Daten sowie Datenpipelines, die für KI-Produkte erforderlich sind.
Evaluierungsmethoden: Nutzung quantitativer Metriken, qualitativer Überprüfung, Human-in-the-loop-Bewertung, statistischem Vergleich und Produktions-Feedbackschleifen, um Engineering-Entscheidungen zu treffen.
Regulierte