Machine Learning Solutions Architect

remote-job.net Job-Zusammenfassung:

💶 Gehalt:	keine Angabe
⏰ Wöchentliche Arbeitszeit:	Vollzeit
🔍 Empfohlene Erfahrung:	Senior
🎓 Empfohlene Ausbildung:	Master in Informatik, Data Science oder vergleichbar
📋 Hauptaufgaben:	Technische Pre-Sales- und Lösungsarchitektur für ML-Projekte. Führung als technischer Ansprechpartner gegenüber Kunden und Stakeholdern. Zusammenarbeit mit Delivery-Teams und Übergabe von Lösungen in die Umsetzung.
✅ Hauptvoraussetzungen:	Erfahrung im Entwurf skalierbarer, produktionstauglicher ML-Architekturen und im ML-Lifecycle. Breite ML-Expertise inklusive LLM-Lösungen, Deep Learning, klassischen ML-Methoden und MLOps. Fortgeschrittene Cloud-Kenntnisse (insb. AWS) und Erfahrung mit Datenarchitekturen/ETL und Datenqualität.
🏭 Branche:	Consulting

Über das Unternehmen

Das Unternehmen ist nicht explizit angegeben. Es handelt sich um ein beratungs- bzw. dienstleistungsorientiertes Technologieunternehmen, das Machine-Learning-Lösungen für Kunden entwirft und implementiert.

Die ausgeschriebene Rolle ist stark kundenorientiert und verbindet Pre-Sales-Aktivitäten, technisches Lösungsdesign und technische Leitung während der Umsetzung.

Aufgaben

• Technische Pre-Sales- und Lösungsdesign-Aktivitäten: Discovery-Sessions, Übersetzung von Geschäftsproblemen in ML-Lösungen, Entwurf von End-to-End-Architekturen, Erstellung technischer Präsentationen und Kostenschätzungen.
• Kundenorientierte technische Führung: Primärer technischer Ansprechpartner, Management von Stakeholder-Erwartungen, Präsentation für technische und nicht-technische Zielgruppen, Aufbau langfristiger Beratungsbeziehungen.
• Interne Zusammenarbeit & Übergabe: Zusammenarbeit mit Delivery-Teams für reibungslose Übergaben, technische Begleitung während der Umsetzung, Entwicklung wiederverwendbarer Lösungsmuster und Mentoring von Ingenieur:innen.

Voraussetzungen

• ML-Architektur & Design: Erfahrung im Entwurf produktionstauglicher, skalierbarer ML-Architekturen, Verständnis des kompletten ML-Lifecycles, Fähigkeit zur Machbarkeits- und Trade-off-Analyse.
• Breite ML-Kompetenz: Erfahrung in mehreren ML-Domänen (z. B. RAG, Computer Vision, Zeitreihen, Recommendation), starke Erfahrung mit LLM-basierten Lösungen, Kenntnisse in klassischen ML-Algorithmen und Deep Learning sowie MLOps.
• Cloud & Infrastruktur: Fortgeschrittene AWS-Kenntnisse (ML- & Datenservices), Kenntnisse zu Azure/GCP, Erfahrung mit serverlosen Architekturen, Kostenoptimierung sowie Sicherheits- und Compliance-Verständnis.
• Datenarchitektur: Kenntnisse zu ETL/ELT, Datenlagerung (Data Lakes/Warehouses), Datenqualität, Monitoring und Design für Echtzeit- vs. Batch-Verarbeitung.

Benefits

keine Angabe