Machine Learning Engineer (m/w/d)

Was Sie tun

• Zustandsüberwachung und Anomalieerkennung auf Zeitreihen aus dem Anlagenbetrieb — mit dem Wissen, dass ein fehlender Messwert, ein eingefrorener Sensor und ein echter Ausreißer drei verschiedene Dinge sind.

• Modelle für vorausschauende Wartung, gemeinsam mit den Menschen, die die Anlage kennen. Deren Erfahrung ist das Label, das im Datensatz fehlt.

• Die Frage der Belastbarkeit vor der Frage der Genauigkeit: Welche Fehlalarmrate hält ein Betrieb aus, und was kostet ein übersehener Fall?

• Modelle in den Betrieb bringen und dort beobachten — Drift, Datenqualität, Nachtrainieren, und eine Kennzahl, an der man den Verfall sieht, bevor der Kunde ihn sieht.

• Ergebnisse so aufschreiben, dass sie nachvollziehbar sind. Ein Modell, dessen Aussage niemand prüfen kann, wird im Betrieb nicht benutzt.

Was notwendig ist

• Mehrere Jahre angewandte Erfahrung mit maschinellem Lernen auf realen Daten, nicht nur auf Wettbewerbsdatensätzen.

• Python auf einem Niveau, auf dem Sie fremden Code aufräumen; sicher im Umgang mit den üblichen Bibliotheken für Zeitreihen und Modellierung.

• Ein belastbares Verständnis von Validierung: Warum ein zufälliger Split bei Zeitreihen die falsche Antwort gibt, und was stattdessen zu tun ist.

• Die Bereitschaft, Modelle auch zu betreiben — Deployment, Überwachung, Bereitschaft für den Fall, dass etwas kippt.

• Deutsch für die Abstimmung mit dem Betrieb, Englisch für die Dokumentation.

Was hilft und keine Bedingung ist

• Erfahrung mit industrieller Sensorik, Anlagenphysik oder Instandhaltung. Wer sie nicht hat, bekommt sie beim ersten Projekt.

• Kausale Inferenz, Unsicherheitsschätzung, Bayes'sche Verfahren — überall dort nützlich, wo eine Punktvorhersage zu wenig ist.

• Erfahrung mit MLOps-Werkzeugen, oder die Neugier, unsere zu verbessern.

• Ein Promotionshintergrund. Wir haben im Team beides und die Arbeit unterscheidet sich nicht danach.