Leitender ML-Ingenieur

Arbeiten bei CreateFuture

CreateFuture ist ein KI-nativer Beratungspartner, bei dem Menschen wichtige Aufgaben erledigen und dabei unterstützt werden, sie gut zu erledigen. Wir arbeiten mit Organisationen wie PayPal, adidas, NatWest, FanDuel und Money Saving Expert zusammen und entwickeln digitale Produkte und Dienstleistungen, die einen Unterschied machen und dabei stets den Menschen in den Mittelpunkt stellen.

Wir sind ein Team von Entwicklern. Wir schreiben Code, gestalten die Bereitstellung, entwickeln Markteinführungsstrategien, entwickeln KI-Lösungen und schaffen die Praktiken, die unsere Mitarbeiter unterstützen. Wir arbeiten Seite an Seite mit unseren Kunden, hinterfragen, was nicht funktioniert, und helfen ihnen, die Zukunft aufzubauen. Unser Engagement für Handwerk, Qualität und Kultur hat uns geholfen, in nur wenigen Jahren auf über 600 Mitarbeiter zu wachsen.

CreateFuture ist ein Great Place to Work-Certified™-Unternehmen und wurde mehrere Jahre in Folge als Best Workplaces UK ausgezeichnet.

Begleiten Sie uns auf unserer Reise. Lassen Sie uns heute gemeinsam das Morgen gestalten.

Über die Rolle und das Team:

Wir sind auf der Suche nach einem Senior Data Engineer mit Fokus auf maschinelles Lernen, der sich unserem Datenteam anschließt. Er übernimmt die Verantwortung für die Daten- und Feature-Pipelines, von denen ML-Produktionssysteme abhängen, trainiert die Datenvorbereitung, das Feature-Engineering und den Weg von einem Modell, das in einem Notebook funktioniert, zu einem Modell, das in der Produktion läuft und weiter läuft. Sie arbeiten mit einem hohen Maß an Autonomie an komplexeren und mehrdeutigen Problemen bei Kundenaufträgen, arbeiten eng mit Datenwissenschaftlern und ML-Ingenieuren zusammen, betreuen Nachwuchsingenieure und tragen dazu bei, die Messlatte für die Ingenieurspraxis höher zu legen. Die Grundlagen sind immer noch wichtig: Hierbei handelt es sich im Kern um eine Data-Engineering-Rolle, die auf Python, PySpark und Plattformen wie Databricks, Snowflake oder AWS aufbaut.

Was Sie tun werden:

• Übernehmen Sie die Verantwortung für das Entwerfen, Erstellen und Verwalten der Produktionsdaten und Feature-Pipelines, auf die maschinelle Lernsysteme angewiesen sind, sowie für die Vorbereitung von Trainingsdaten, das Feature-Engineering und reproduzierbare, punktgenaue Datensätze mit minimaler Aufsicht

• Überführen Sie Modelle vom Prototyp in die Produktion und bewahren Sie sie dort auf: Paketierung und Bereitstellung zusammen mit Kollegen aus der Datenwissenschaft, Modellversionierung, automatisiertes Neutraining und die Überwachung, die Abweichungen und Verschlechterungen erkennt, bevor ein Kunde dies tut

• Erstellen und pflegen Sie die Batch- und ELT-Pipelines, auf denen die ML-Arbeit basiert, mithilfe von Python, PySpark und Cloud-Datendiensten (z. B. AWS Glue, EMR, S3, Redshift, Athena oder den Databricks/Snowflake-Äquivalenten), treffen Sie fundierte Entscheidungen über Architektur, Datenmodellierung und Tools und wägen Sie Kompromisse in Bezug auf Leistung, Kosten und Wartbarkeit ab

• Besitzen und verbessern Sie kontinuierlich CI/CD für Daten- und ML-Workflows, um zuverlässige, wiederholbare Bereitstellungen von Pipelines und Modellen gleichermaßen sicherzustellen

• Mentor und Support für junge und mittlere Dateningenieure, Überprüfung des Codes und Weitergabe von Wissen, um den Lieferstandard im gesamten Team zu erhöhen

• Beheben und lösen Sie komplexe Probleme in Live-Datenpipelines und bereitgestellten Modellen und fungieren Sie als Eskalationspunkt für das gesamte Team

• Arbeiten Sie mit Datenwissenschaftlern, funktionsübergreifenden Teams und Kundenbeteiligten zusammen, um Daten- und ML-Anforderungen zu verstehen und sie in technische Lösungen umzuwandeln

Wir würden uns freuen, mit Ihnen zu sprechen, wenn Sie:

• Sie haben praktische Erfahrung beim Aufbau der Daten- und Feature-Pipelines hinter maschinellem Lernen in der Produktion, der Vorbereitung von Trainingsdaten, Feature-Engineering und Feature-Stores und verstehen, warum Reproduzierbarkeit und punktuelle Korrektheit wichtiger sind, als es zunächst scheint

• Sie haben in der Praxis und nicht im Prinzip mit MLOps gearbeitet: Modellversionierung und Registrierungen, Experimentverfolgung, automatisiertes Umschulen und Überwachung auf Drift und Modellverschlechterung (MLflow, SageMaker, Databricks ML, Vertex AI oder vergleichbar)

• Sie sind mit ML-Frameworks wie scikit-learn, PySpark MLlib oder PyTorch/TensorFlow gut genug vertraut, um die Arbeit eines Datenwissenschaftlers zu produzieren, zu überlegen, was ein Modell aus den Daten benötigt, und zu erkennen, wo eine Trainingspipeline und eine Bereitstellungspipeline stillschweigend auseinandergegangen sind. Sie müssen nicht die Person sein, die das Modell entwirft

• Sie haben Produktionsdatenpipelines auf einer modernen Cloud-Datenplattform, AWS (Glue, EMR, Redshift, S3/Lake Formation), Databricks, Snowflake oder vergleichbar, entworfen und betrieben und können darüber sprechen, welche dieser Entscheidungen auf eine andere übertragen würden und welche nicht

• Sie verfügen über fundierte SQL-Kenntnisse und praktische Erfahrung mit Datenmodellierung (z. B. Kimball, Medaillon-/Lakehouse-Muster oder domänengesteuerte Modellierung). Dies ist die tragende, anbieterunabhängige Fähigkeit, die fast unserer gesamten Pipeline-Arbeit zugrunde liegt

• Verfügen Sie über starkes Python und PySpark für die Stapelverarbeitung mit gut getestetem Code in Produktionsqualität. Der Großteil dieser Arbeit ist Batch und ELT, aber Sie müssen Erfahrung mit ereignisgesteuerten oder Mikro-Batch-Pipelines haben und wissen, wo die Designannahmen nicht mehr gelten

• Sie verfügen über Orchestrierung in der Produktion, Abhängigkeitsdesign, Wiederholungsversuche, SLAs und die Beobachtbarkeit, die Ihnen mitteilt, dass eine Pipeline ausgefallen ist, bevor der Client dies tut

• Sie verfügen über Erfahrung in der Leitung der Bereitstellung von Data-Engineering-Arbeiten mit begrenzter Aufsicht, einschließlich CI/CD-Management und -Support

• Erfahrung in der Betreuung oder Unterstützung der Entwicklung weniger erfahrener Ingenieure haben

• Fühlen sich wohl, direkt mit Stakeholdern zusammenzuarbeiten, um technische Lösungen aus mehrdeutigen Anforderungen zu entwickeln, Ihre Arbeit und Einschätzungen zu präsentieren und Kompromisse und Risiken zu diskutieren.

Was wir Ihnen bieten:

Wir vertrauen darauf, dass die Menschen ihr Bestes geben. Das bedeutet Flexibilität gegenüber starren Regeln, Einfluss gegenüber Aktivität und echte Investition in Ihr berufliches und persönliches Wachstum. Sie werden Teil einer unterstützenden und freundlichen Kultur sein, umgeben von klugen, neugierigen Menschen, denen das, was sie tun, sehr am Herzen liegt.

Wir bieten flexibles Arbeiten, einschließlich Hybrid- und Remote-Optionen. Unsere Bürozentren befinden sich in Edinburgh, Leeds, Manchester, London und Bulgarien. Bei Bedarf reisen wir gelegentlich zu Kundenstandorten oder zu CreateFuture-Büros.…

Quelle: Arbeitnow (https://www.arbeitnow.co.uk/jobs/companies/xdesign/senior-ml-engineer-388909)