Senior Staff MLOps & Cloud Platform Engineer - Robotics (f/m/d)

Aufgaben
Verantwortung für die Architektur und die technische Ausrichtung der produktionsreifen Cloud-, MLOps- und Dateninfrastruktur sowie der Kernkapazitäten, die es den R&D-Teams bei Hexagon ermöglichen, Machine-Learning-Lösungen für die Robotik zu entwickeln und bereitzustellen. Weiterentwicklung der Strategie und der Standards für die Datenaufnahme, -speicherung, -verwaltung und den -austausch, um die Erstellung und Nutzung hochwertiger Robotik-Datensätze zu ermöglichen. Design und Entwicklung skalierbarer Datenpipelines zur Aufnahme, Verarbeitung und Speicherung von sowohl realen als auch simulierten Robotik-Datensätzen sowie zur Erleichterung des Datenaustauschs und der Datennutzung. Design und Entwicklung skalierbarer und reproduzierbarer ML-Pipelines zum Trainieren, Evaluieren und Bereitstellen von ML-Modellen für die Robotik. Verantwortung für die darunterliegenden Cloud- und Hybrid-Fundamente: Compute- und GPU-Scheduling, Speicher, Netzwerk, Identity and Access Management, Observability und Cost Governance. Abwägung zwischen Funktionalität, Qualität und Kosten innerhalb eines gegebenen Zeitrahmens und explizite Kommunikation dieser Abwägungen gegenüber der Engineering-Leitung. Bewertung und Auswahl von Drittanbieter-Frameworks, Plattformen und Anbietern unter Berücksichtigung langfristiger Betriebs- und Wartungsaspekte sowie Teilnahme an Vertragsverhandlungen mit externen Partnern. Erstellung von Pipeline-Templates und Zusammenarbeit mit R&D-Teams zur Erleichterung der Einführung und Nutzung von MLOps, Cloud- und Dateninfrastruktur sowie Tooling; Erstellung klarer Dokumentation, Bereitstellung von praxisnaher Anleitung und Wissensaustausch. Etablierung und Förderung von Engineering- und CI/CD-Best-Practices für Daten- und ML-Pipelines, um Versionierung, Modularität, Testbarkeit und hochwertige Releases zu gewährleisten. Enge Zusammenarbeit mit R&D-Teams, um deren Anforderungen zu verstehen, Bedürfnisse in hochwertige und effektive Infrastruktur und Tooling zu übersetzen, sowie Mentoring von Ingenieuren zur Anhebung des Niveaus des Platform Engineering über die Teams hinweg. Übernahme der Verantwortung für geistiges Eigentum in Ihrem Fachgebiet

Anforderungen
MSc/PhD in Computer Science oder gleichwertig, oder entsprechende in der Praxis erworbene Tiefe. Typischerweise 10+ Jahre relevante Erfahrung mit einem T-Shaped-Profil: breite Engineering-Breite und anerkannte Tiefe in Cloud-Infrastruktur und MLOps. Tiefes Verständnis von MLOps- und Dateninfrastruktur-Konzepten und -Tooling, einschließlich des Daten- und ML-Lebenszyklus, unter Berücksichtigung sowohl funktionaler als auch nicht-funktionaler Anforderungen. Nachgewiesene Erfolgsbilanz in der Architektur, Implementierung und dem Betrieb von produktionsreifer Cloud-, MLOps- und Dateninfrastruktur mit Kapazitäten für Datenspeicherung und -verarbeitung, ML-Experimenten, Daten- und ML-Pipelines, Tracking, Registrierung und Bereitstellung von ML-Modellen. Fundierte Cloud-Architektur-Grundlagen unabhängig von einem einzelnen Anbieter: Identity and Access Management, Netzwerk, Speicher- und Compute-Primitive, verwaltete Daten- und ML-Services sowie die Kostenfolgen der jeweiligen. Tiefe in Azure Data- und ML-Services (Azure Data Lake, Azure ML) ist ein Plus; gleichwertige Tiefe in AWS oder GCP ist ebenso willkommen. Praktische Erfahrung mit Cloud-, Hybrid- und On-Premises-Umgebungen, einschließlich des Verschiebens großer Datensätze und Modelle zwischen ihnen. Solide Erfahrung in der Implementierung modularer, testbarer und skalierbarer Daten- und ML-Pipelines. Fundierte Software-Engineering-Kenntnisse in Python, Fähigkeit, sauberen, testbaren und wartbaren, produktionsreifen Code zu schreiben, Erfahrung mit CI/CD, IaC (Terraform), Containerisierung (Docker) und Container-Orchestrierung (Kubernetes) in Produktionsgröße. Arbeitssichere Kenntnisse in ML-Frameworks, z. B. PyTorch, TensorFlow oder JAX, und Tooling, z. B. MLflow – ausreichend, um ein glaubwürdiger Partner für die Teams zu sein, die die Modelle bauen. Erfahrung mit ML-Modellen für die Robotik und beim Deployment von ML-basierten Modellen auf Roboter-Hardware ist ein Plus. Kenntnisse von Robotik-Frameworks und Tools (insbesondere ROS 2, Omniverse) und die Fähigkeit zur engen Zusammenarbeit mit Robotik-Teams ist ein Plus. Starkes agiles Mindset, Fähigkeit zur autonomen Arbeitsweise, starke Kommunikationsfähigkeiten, Fähigkeit zur kundenorientierten Zusammenarbeit mit technischen und nicht-technischen Stakeholdern, Fähigkeit zur Befähigung von Teams. Englischkenntnisse erforderlich, Grundkenntnisse in Deutsch von Vorteil

Sprachen
Englischkenntnisse erforderlich, Grundkenntnisse in Deutsch von Vorteil