Stellenbeschreibung Vorlage: Machine Learning Engineer
Diese Vorlage hilft Schweizer Arbeitgeber, eine klare Stellenausschreibung fuer einen Machine Learning Engineer zu verfassen. Sie deckt Kernaufgaben ab (Modellentwicklung, Datenpipelines, Produktionsdeployment), Muss-Anforderungen (Python, ML-Frameworks, Statistik), Kann-Anforderungen (Cloud-Plattformen, Fachkenntnisse) und Leistungen (Salaarspanne in CHF, Pensum-Prozentsatz, Benefits). Passen Sie Kanton/Stadt, Sprachanforderungen und firmenspezifische Perks vor dem Posting an.
Ein Machine Learning Engineer entwickelt, trainiert und deployed ML-Modelle und -Systeme, die echte Geschaeftsprobleme loesen. In einem Schweizer KMU ist diese Rolle oft eine Bruecke zwischen Data Science und Software Engineering—Sie tragen Verantwortung fuer den kompletten Lebenszyklus vom Prototyp bis zur Produktion.
Nutzen Sie diese Vorlage als Ausgangspunkt. Ersetzen Sie [PLATZHALTER] durch Ihre Firmenangaben: Standort (Kanton und Stadt), Pensum (typischerweise 80–100%), Team-Struktur und technischer Stack. Nennen Sie, welche Sprache (Deutsch, Franzoesisch, Italienisch oder Englisch) fuer Ihren Kanton erforderlich ist.
Die Aufgabe
Diese Machine Learning Engineer-Position konzentriert sich auf die Entwicklung und Wartung von ML-Modellen mit direktem Impact auf Produkt oder Betrieb. Sie arbeiten mit echten Datensaetzen, iterieren an der Modellleistung und stellen sicher, dass Systeme zuverlaessig skalieren.
Die Rolle sitzt zwischen Data Science und Software Engineering. Sie arbeiten mit Product Managern, Data Engineers und Backend-Entwicklern zusammen, um ML-Ideen in stabile Produktionssysteme zu verwandeln.
- Machine Learning-Modelle mit ueberwachten und unueberwachten Techniken entwerfen, trainieren und bewerten
- Datenpipelines aufbauen und verwalten, die Daten aufnehmen, bereinigen und fuer das Modelltraining vorbereiten
- Modelle in Produktion deployen und deren Leistung in echten Bedingungen ueberwachen
- Modellabzug fuer Geschwindigkeit und Ressourceneffizienz optimieren
- Experimente und A/B-Tests durchfuehren, um Modellverbesserungen zu validieren
- Modelllogik, Trainingsvorgaenge und Deployment-Prozesse fuer das Team dokumentieren
Muss-Anforderungen
Kandidaten sollten starke Programmierkenntnisse, ML-Grundlagen und die Faehigkeit nachweisen, Modelle vom Notebook in die Produktion zu bringen. Relevante Berufserfahrung oder umfangreiche persoenliche Projekte zaehlen.
Technische Tiefe ist wichtiger als Berufsjahre. Wir erwarten Sicherheit in ML-Konzepten und ehrliche Selbsteinschaetzung bei Wissenslucken.
- Sicherheit in Python und Erfahrung mit scikit-learn, TensorFlow oder PyTorch
- Solides Verstaendnis von ML-Workflows: Feature Engineering, Modellauswahl, Validierung, Overfitting
- Vertrautheit mit Versionskontrolle (Git) und Faehigkeit, produktionsreifen Code zu schreiben
- Grundlegende Statistik: Verteilungen, Hypothesentests, Korrelation vs. Kausalitaet
- Problemloesungshaltung und Sicherheit beim empirischen Debuggen von Modellen
- [SPRACHANFORDERUNG: Deutsch / Franzoesisch / Italienisch / Englisch fuer Ihren Kanton und Ihr Team spezifizieren]
Kann-Faehigkeiten & Was wir bieten
Erfahrung mit Cloud-Plattformen (AWS, Google Cloud, Azure), Containerisierung (Docker) und MLOps-Tools beschleunigt das Onboarding, ist aber nicht erforderlich. Fachkenntnisse in Ihrer Branche sind ein Plus.
Wettbewerbsfaehige Entschaedigung folgt Schweizer Marktstandards. Wir bieten ein Pensum von [80–100%], eine Salaerspanne von CHF [X] bis CHF [Y] jaehrlich, und Benefits, die Wohlbefinden und Wachstum unterstuetzen.
- Erfahrung mit Cloud-ML-Diensten oder MLOps-Tools (DVC, Weights & Biases, MLflow)
- Vertrautheit mit SQL und Erfahrung bei der Abfrage grosser Datensaetze
- Kenntnisse in Modellinterpretierbarkeit und Bias-Mitigationstechniken
- CHF [X–Y] brutto jaehrlich je nach Erfahrung; 13. Monatslohn als Schweizer Standard
- Flexible Arbeitsort-Regelung: [Remote / [STADT], [KANTON]]
- [Firmenspezifische Benefits hinzufuegen: Weiterbildungsbudget, Fitnessmitgliedschaft, Team-Events usw.]
Häufige Fragen
- Sollten wir einen Abschluss in Informatik oder Statistik verlangen?
- Nicht unbedingt. Starke praktische Faehigkeiten, echte Projekte und nachgewiesene ML-Kenntnisse sind wichtiger als Papiere. Ein Bootcamp-Absolvent mit Produktionserfahrung kann die bessere Wahl sein als ein PhD ohne Deployment-Erfahrung. Screenen Sie nach Faehigkeit, nicht nach Papier.
- Welches Pensum sollten wir ausschreiben?
- Die meisten Tech-Rollen in der Schweiz sind 80–100%. Nennen Sie das genaue Pensum (z.B. 90%), um Erwartungen zu setzen. Wenn Flexibilitaet besteht, geben Sie die Bandbreite an. Teilzeit-ML-Rollen sind seltener, aber fuer Senior oder spezialisierte Kandidaten moeglich.
- Wo erwaehnen wir Sprachanforderungen?
- Fuegen Sie Sprachanforderungen in den Muss-Anforderungen hinzu. In deutschsprachigen Kantonen ist Deutsch oft implizit, aber es lohnt sich zu nennen. Geben Sie 'Geschaeftsdeutsch' oder 'Englisch ausreichend' an, je nach Team-Sprache und Kanton-Kultur.
Allgemeine Informationen für Schweizer Arbeitgeber, keine Rechtsberatung. Lassen Sie alles mit rechtlichen Folgen von einer Juristin prüfen.