Lead Machine Learning Engineer

Die Rekrutierung eines/einer Lead 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 Chief Machine Learning Engineer)

Der/die Lead Machine Learning Engineer ist ein technischer Senior-Experte, der auf die Konzeption, Optimierung und Bereitstellung von Machine-Learning-Systemen spezialisiert ist. Obwohl die Person als Individual Contributor arbeitet, spielt sie eine Schlüsselrolle bei der Industrialisierung der ML-Modelle und bei der Anleitung jüngerer ML Engineers. Sie arbeitet eng mit den Produktteams (die die Backlogs verwalten) und den Data Scientists zusammen, um analytische Modelle in robuste, skalierbare und wartbare Produktionslösungen zu überführen, und sorgt zugleich für Wissenstransfer und Best Practices im Team.

Aufgaben und Verantwortlichkeiten

1. ML-Systeme für die Produktion entwickeln und optimieren

• Vollständige MLOps-Pipelines konzipieren und implementieren (vom Training bis zum Serving).
• Die Performance der Modelle in der Produktion optimieren (Latenz, Durchsatz, Speicher).
• Infrastrukturlösungen für den Einsatz im großen Maßstab entwickeln.
• Tests und Monitoring der Modelle in der Produktion automatisieren.

2. Mit Produktteams und Data Science zusammenarbeiten

• Mit den Product Ownern zusammenarbeiten, um die technischen Anforderungen zu verstehen.
• Analytische Modelle in industrialisierbare technische Lösungen übersetzen.
• An den Priorisierungsmeetings teilnehmen, um die Arbeit mit den Backlogs abzustimmen.
• Realistische technische Schätzungen für die Planung liefern.

3. Junior ML Engineers anleiten und als Mentor begleiten

• Junioren bei der Konzeption und Implementierung von ML-Lösungen anleiten.
• Den vom Team vorgeschlagenen Code und die Architekturen reviewen.
• Schulungen zu MLOps-Best-Practices organisieren.
• Bei der Lösung komplexer technischer Probleme unterstützen.

4. Qualität und Zuverlässigkeit der Systeme gewährleisten

• Automatisierte Tests für die ML-Pipelines implementieren.
• Qualitätsstandards für Code und Infrastruktur definieren und anwenden.
• Technische Lösungen und Prozesse dokumentieren.
• Sicherheit und Compliance der Systeme gewährleisten (DSGVO usw.).

5. Innovieren und bestehende Prozesse verbessern

• Neue Technologien bewerten (Frameworks, Tools, Architekturen).
• Verbesserungen für die bestehenden ML-Pipelines vorschlagen.
• Technische PoCs steuern, um neue Ansätze zu validieren.
• An der Technologiebeobachtung teilnehmen und Wissen teilen.

6. Zur technischen Kultur des Teams beitragen

• Best Practices des ML-Engineerings fördern.
• An Code-Reviews und technischen Diskussionen teilnehmen.
• Lösungen und Prozesse dokumentieren, um Wissen zu teilen.
• Zur kontinuierlichen Verbesserung der technischen Standards beitragen.

Beispiele für konkrete Umsetzungen

• Optimierung einer Serving-Pipeline, die die Latenz um 40 % senkte und zugleich die Stabilität verbesserte.
• Mentoring von 3 Junior ML Engineers, wodurch sich deren MLOps-Kompetenzen um 30 % verbesserten.
• Entwicklung eines Monitoring-Systems für Modelle in der Produktion, das die Zeit bis zur Erkennung von Anomalien um 50 % verkürzte.
• Automatisierung der Feature-Engineering-Pipeline, wodurch sich die Verarbeitungszeiten um 35 % verkürzten.
• Implementierung einer A/B-Testing-Lösung für Modelle, die die Deployment-Präzision um 20 % verbesserte.