ML-Ingenieur (Computer Vision & ML Ops)

StellDirVor ist ein unabhängiges Beratungs-, Handels- und Technologieunternehmen, das sich auf immersive Technologien für das Gesundheitswesen spezialisiert hat. Wir unterstützen Organisationen bei der Umsetzung digitaler Innovationen – Virtual, Augmented und Mixed Reality sowie KI – insbesondere für Lernen, Training und Echtzeitunterstützung in klinischen und Pflegeumgebungen. Durch die Kombination von Technologie und Gesundheitsversorgung tragen wir dazu bei, Prozesse zu optimieren, den Wissenstransfer zu verbessern und die Qualität der Pflege zu verbessern.
Unterstützt durch ein Partnerschaftsstipendium aus Deutschland (ZIM) und Taiwan (GIPIP) entwickeln wir derzeit ARAIAS – ein AR- und KI-basiertes freihändiges Trainings- und Assistenzsystem für die Versorgung chronischer Wunden. Mithilfe einer AR-Datenbrille ermöglicht das System eine 3D-Erfassung, eine KI-gestützte Analyse sowie eine standardisierte Remote-Expertise und -Dokumentation direkt am Point of Care.
Als unser ML-Ingenieur (Computer Vision & ML Ops) bauen Sie die KI-Fähigkeiten im Kern von ARAIAS auf: Bewertung und Feinabstimmung von Computer-Vision-Modellen auf Daten von Datenbrillen, Ausführung der dahinter stehenden ML-Operationen und Anwendung generativer KI zur Erstellung synthetischer medizinischer Bilder für die Ausbildung. Da wir uns noch in einem frühen Stadium befinden – vom Konzept zum funktionierenden Prototyp –, liegt der Fokus kurzfristig auf der Validierung von Modellen und dem Aufbau eines Machbarkeitsnachweises, den wir in realen Bildungs- und klinischen Umgebungen testen können.
Als Teil eines kleinen Teams sind Sie für den gesamten Datenlebenszyklus verantwortlich – von der Beschaffung, Zustimmung und Annotation bis zur Vorbereitung – sowie für die Modellentwicklung und -bereitstellung.
Wir begrüßen Kandidaten mit unterschiedlichen Erfahrungsniveaus. Am wichtigsten sind eine solide ML-Grundlage und ein echtes Bewusstsein für den Bereich der medizinischen Bildgebung.
Aufgaben

• Wählen Sie vorab trainierte Modelle und/oder validierte Architekturen für die medizinische Bildanalyse aus, vergleichen Sie sie und passen Sie sie an domänenspezifische Daten an, um eine robuste Leistung unter realen Bedingungen sicherzustellen

• Identifizieren und anpassen Sie geeignete generative KI-Modelle, um realistische synthetische medizinische Bilder für Bildung und Ausbildung zu erstellen

• Bewerten und verfeinern Sie kleine Sprachmodelle (SLMs) für die Sprachinteraktion – Speech-to-Text, Intent Understanding und Text-to-Speech – optimiert für die Verwendung mit geringer Latenz oder auf dem Gerät mit Datenbrillen

• Erforschung und Bewertung modernster ML-Modelle und neuer Trends, einschließlich Explainable AI (XAI), Cybersicherheit für ML sowie Bereitstellungs- und Verteilungsmodi (Edge vs. Cloud, föderiertes Lernen, Modellkomprimierung)

• Planen und Ausführen der ML-Operations-Pipeline – Datenerfassung, Annotation, Vorbereitung, Schulung, Tests und Bereitstellung

• Schlagen Sie eine Datenerfassungsstrategie vor – recherchieren Sie geeignete öffentliche und klinische Datenquellen, empfehlen Sie die Einwilligung des Patienten und andere administrative Anforderungen für ML-Schulungen (z. B. Datenschutzvereinbarungen, Ethikgenehmigung) und definieren Sie Erfassungs- und Anmerkungsprotokolle mit klinischen Experten, einschließlich Kennzeichnungsrichtlinien und Qualitätsprüfungen

• Identifizieren und validieren Sie Faktoren, die sich auf die Modellleistung auswirken – Bildbedingungen, Datensatzverzerrung, Patientenvielfalt, Datenschutz und behördliche Anforderungen

• Definieren Sie Teststrategien und -metriken und validieren Sie die Modellergebnisse anhand der Beurteilungen durch Kliniker

• Führen Sie Build-vs-Buy-Analysen für Modelle, Tools und Services durch, einschließlich Kostenvergleich

• Schätzen Sie die Rechen- und Schulungskosten und schlagen Sie Budgets für die Modellschulung und -bereitstellung vor

• Wählen Sie Schulungsumgebungen flexibel aus und richten Sie sie ein – lokale Hardware oder Cloud – basierend auf Kosten, Datenschutz und Leistung

• Treffen Sie pragmatische technische Entscheidungen passend zur aktuellen Prototyping-Phase und dokumentieren Sie die Ergebnisse klar

• Sorgen Sie für eine klare, nachvollziehbare Dokumentation von Datenquellen, Modellen, Experimenten und Designentscheidungen, um Audits und Qualitätsprüfungen zu unterstützen

• Evaluieren und integrieren Sie zusätzliche Sensoren, wo möglich (z. B. Tiefe, LiDAR, thermisch, multispektral) und fusionieren Sie sie mit RGB-Eingang

Anforderungen
Must-Have

• Abschluss in Informatik, Datenwissenschaft, Biomedizintechnik, Mathematik oder einem verwandten Bereich – oder gleichwertiger praktischer Hintergrund

• Starke Python-Kenntnisse und praktischer Umgang mit PyTorch, OpenCV oder TensorFlow

• Solides Verständnis von Computer Vision – Klassifizierung, Objekterkennung und Bildsegmentierung, 3D-Rekonstruktion und Multi-View-Geometrie

• Praktische Kenntnisse im Transferlernen – Anpassung vorab trainierter Modelle und deren Feinabstimmung anhand benutzerdefinierter Datensätze

• Praktische Kenntnisse des gesamten ML-Lebenszyklus – Datenvorbereitung, Schulung, Bewertung und Bereitstellung

• Grundkenntnisse generativer Modelle (Diffusionsmodelle oder GANs) und gängiger Open-Source-Bibliotheken

• Komfortable Trainingsmodelle sowohl lokal (GPU-Workstation) als auch auf Cloud-Plattformen

• Kann die ML-Rechenkosten abschätzen und Build- und Kaufoptionen vergleichen, um Budgetentscheidungen zu unterstützen

• Bewusstsein für die Herausforderungen der medizinischen Bildgebung – begrenzte Daten, unterschiedliche Bezeichnungen zwischen Ärzten und Klassenungleichgewicht

• Bewusstsein für Datenschutz und Ethik im Gesundheitswesen (z. B. DSGVO, Patienteneinwilligung, Anonymisierung) und warum Erklärbarkeit und Voreingenommenheit in der klinischen KI wichtig sind

• Kann wissenschaftliche Arbeiten lesen und pragmatisch anwenden

• Selbstbestimmt und pragmatisch – in der Lage, in einem schlanken Team die Initiative zu ergreifen und Probleme durchgängig anzugehen

• Fließend Englisch – Deutsch ist ein Bonus

Starkes Plus

• Projekte oder Kursarbeiten in medizinischer Bildgebung oder klinischer KI

• Vertrautheit mit halbüberwachtem Lernen – Nutzung begrenzter oder teilweise gekennzeichneter Daten

• Erfahrung mit 3D-Datenverarbeitung – Tiefenkarten, Punktwolken oder Netzrekonstruktion

• Kontakt mit multimodalem Lernen – Kombination von RGB- und Tiefen- oder LiDAR-Daten

• Edge-KI oder Wearable-Bereitstellung (z. B. TensorFlow Lite, ONNX, Modellquantisierung)

• Kenntnisse über Erklärbarkeitsmethoden (z. B. Grad-CAM, SHAP) oder kontradiktorische Robustheit

• Vertrautheit mit MLOps-Tools (z. B. MLflow, Weights & Biases, DVC, Docker)

• Kenntnis der Medizinproduktevorschriften für KI-Software (z. B. EU MDR, IEC 62304)…

Quelle: Arbeitnow (https://www.arbeitnow.com/jobs/companies/stelldirvor-gmbh/ml-engineer-computer-vision-ml-ops-munich-359350)