Chief Machine Learning Engineer

Die Rekrutierung eines/einer Chief Machine Learning Engineer zu steuern bedeutet zuallererst, die Rolle genau zu kennen. Sie wird hier sehr allgemein zusammengefasst und muss an Ihren konkreten Kontext angepasst werden.
(Berichtet an den Head of AI Factory)

Der/die Chief Machine Learning Engineer ist die technische und operative Führungskraft, die das Engineering der Machine-Learning-Systeme verantwortet und deren Industrialisierung im großen Maßstab sicherstellt. Die Person ist auf die Konzeption, Optimierung und Bereitstellung robuster ML-Architekturen spezialisiert und leitet ein Team aus ML Engineers und Data Engineers, um Data-Science-Modelle in leistungsfähige, skalierbare und wartbare Produktionslösungen zu überführen. Sie arbeitet agil mit den Produktteams zusammen, die die Prioritäten über die Backlogs festlegen, und sichert dabei die technische Exzellenz der ML-Systeme.

Aufgaben und Verantwortlichkeiten

1. Machine-Learning-Systeme architektonisch gestalten und optimieren

  • Skalierbare ML-Architekturen für den Einsatz von Modellen in der Produktion konzipieren.
  • Die Verarbeitungspipelines optimieren (Feature Engineering, Preprocessing, Inference).
  • Infrastrukturlösungen für das Training und das Serving von Modellen entwickeln.
  • Performance und Zuverlässigkeit der ML-Systeme in der Produktion gewährleisten.

2. Data-Science-Modelle industrialisieren

  • Mit den Data Scientists zusammenarbeiten, um deren Modelle zu operationalisieren.
  • Vollständige MLOps-Pipelines implementieren (Training, Validierung, Deployment, Monitoring).
  • CI/CD-Prozesse für ML-Modelle automatisieren.
  • Infrastrukturkosten optimieren und dabei die Performance aufrechterhalten.

3. Agil mit den Produktteams zusammenarbeiten

  • Mit den Product Ownern zusammenarbeiten, die die Backlogs der ML Engineers verwalten.
  • Produktanforderungen in technische ML-Lösungen übersetzen.
  • An den agilen Ritualen teilnehmen, um die technischen Entwicklungen abzustimmen.
  • Sicherstellen, dass technische Rahmenbedingungen in der Planung berücksichtigt werden.

4. Qualität und Wartbarkeit der Systeme gewährleisten

  • Automatisierte Tests für die ML-Pipelines einführen.
  • Qualitätsstandards für Code und Infrastrukturen definieren.
  • ML-Architekturen und -Prozesse dokumentieren.
  • Sicherheit und Compliance der Systeme gewährleisten (DSGVO usw.).

5. Das ML-Engineering-Team führen und weiterentwickeln

  • ML Engineers und Data Engineers rekrutieren und schulen.
  • Das Team nach Fachgebieten strukturieren (MLOps, Infrastruktur, Feature Engineering).
  • Die Teammitglieder in Best Practices des ML-Engineerings als Mentor begleiten.
  • Eine Kultur der technischen Exzellenz fördern.

6. Innovieren und technologische Entwicklungen antizipieren

  • Die neuesten Fortschritte im ML-Engineering beobachten (neue Frameworks, Architekturen).
  • Neue Ansätze zur Optimierung von Modellen bewerten.
  • Technische PoCs steuern, um innovative Lösungen zu testen.
  • An technischen Konferenzen teilnehmen, um auf dem aktuellen Stand zu bleiben.

Beispiele für konkrete Umsetzungen

  • Architektur eines Model-Serving-Systems, das die Latenz um 60 % senkte und zugleich die Skalierbarkeit verbesserte.
  • Implementierung einer vollständigen MLOps-Pipeline, die die Deployment-Zeit der Modelle um 70 % verkürzte.
  • Optimierung der Training-Infrastruktur, wodurch die Kosten um 40 % sanken und die Performance erhalten blieb.
  • Entwicklung eines Monitoring-Systems für Modelle in der Produktion, das die Erkennung von Anomalien um 50 % verbesserte.
  • Automatisierung der Feature-Engineering-Pipeline, wodurch sich die Verarbeitungszeiten um 35 % verkürzten.