Neue Treffer für diese Suche automatisch erhalten?
Kostenlos und jederzeit kündbar – jede Mail enthält einen Abmelde-Link. Umfang, Zeitpunkt und Schärfe deines Agenten stellst du – wie viele weitere Funktionen – in deinem Login-Bereich ein.
2 Software Engineer Machine Learning Jobs
Bachelor- oder Masterarbeit bei Fill zu Modellreduktion durch neuronale Netze für FEM-Modelle von Werkzeugmaschinen, digitale Zwillinge und mechatronische Co-Simulationen.
Konstruktion & EntwicklungVollzeitstelle als AI Research Engineer bei Therefore Corporation mit Fokus auf AI/ML, LLMs, Prompting, Document Processing/OCR, Use-Case-Entwicklung, Prototyping und…
€ 3.267tecAI
Gedanken eingeben. Möglichkeiten entdecken.
Machine Learning ist längst kein Forschungsthema mehr, das irgendwo in einer Uni-Nebenstelle vor sich hin köchelt. Es steckt im Betrugsscoring einer Bank, in der Nachfrageprognose eines Handelskonzerns, in der Qualitätskontrolle einer Fertigungsstraße. Und mittendrin: Sie, als Software Engineer Machine Learning. Ihre Aufgabe ist es, aus einem vielversprechenden Modell etwas zu machen, das im Produktivbetrieb zuverlässig läuft – nicht nur im Notebook der Data Scientists.
Das bedeutet konkret: Datenpipelines bauen, Modelle trainieren und versionieren, Inferenz-Endpunkte deployen, Drift überwachen. Sie schreiben sauberen Python-Code, kennen sich aber ebenso mit Containern, CI/CD und Cloud-Infrastruktur aus. Ein Teil klassisches Software-Engineering, ein Teil angewandte Statistik. Genau diese Mischung macht die Rolle so gefragt – und für Quereinsteiger:innen manchmal so schwer greifbar.
Wie steigt man ein, und was wird verlangt?
Ein Studium in Informatik, Mathematik oder Data Science ist der übliche Weg, zwingend ist es nicht. Viele kommen aus der klassischen Backend-Entwicklung und arbeiten sich über MLOps ins Feld hinein. Was zählt, sind belastbare Grundlagen: solides Python, Verständnis für Frameworks wie PyTorch oder TensorFlow, Erfahrung mit Feature-Engineering und dem ganzen unglamourösen Drumherum – Datenqualität, Reproduzierbarkeit, Monitoring. Haben Sie schon einmal ein Modell in Produktion gebracht und drei Wochen später gemerkt, dass die Eingangsdaten sich verschoben haben? Dann wissen Sie, warum Betriebe genau danach fragen.
Wo Sie landen könnten, ist erfreulich breit gestreut. Industriekonzerne mit Predictive Maintenance, Finanzdienstleister, E-Commerce-Plattformen, dazu die österreichische Startup-Szene rund um Wien, Graz und Linz, die stark auf spezialisierte ML-Anwendungen setzt. Auch Forschungsnahe Institute und Beratungshäuser suchen laufend. Die Karrierewege danach? Richtung ML-Architektur, Richtung Teamleitung, oder tiefer in die Spezialisierung – etwa Computer Vision oder NLP.
Ein Hinweis noch, weil er gern untergeht: Die spannendste Arbeit passiert oft nicht beim Modell selbst, sondern an den Rändern. Datenverträge, Latenzbudgets, das Gespräch mit den Fachabteilungen, die eigentlich nur eine Zahl wollen. Wer beides mag, das Technische und das Übersetzen dazwischen, ist hier goldrichtig.
Software Engineer Machine Learning in Zahlen
Machine Learning ist längst kein Forschungsthema mehr, das irgendwo in einer Uni-Nebenstelle vor sich hin köchelt. Es steckt im Betrugsscoring einer Bank, in der Nachfrageprognose eines Handelskonzerns, in der Qualitätskontrolle einer Fertigungsstraße. Und mittendrin: Sie, als Software Engineer Machine Learning. Ihre Aufgabe ist es, aus einem vielversprechenden Modell etwas zu machen, das im Produktivbetrieb zuverlässig läuft – nicht nur im Notebook der Data Scientists.
Das bedeutet konkret: Datenpipelines bauen, Modelle trainieren und versionieren, Inferenz-Endpunkte deployen, Drift überwachen. Sie schreiben sauberen Python-Code, kennen sich aber ebenso mit Containern, CI/CD und Cloud-Infrastruktur aus. Ein Teil klassisches Software-Engineering, ein Teil angewandte Statistik. Genau diese Mischung macht die Rolle so gefragt – und für Quereinsteiger:innen manchmal so schwer greifbar.
Wie steigt man ein, und was wird verlangt?
Ein Studium in Informatik, Mathematik oder Data Science ist der übliche Weg, zwingend ist es nicht. Viele kommen aus der klassischen Backend-Entwicklung und arbeiten sich über MLOps ins Feld hinein. Was zählt, sind belastbare Grundlagen: solides Python, Verständnis für Frameworks wie PyTorch oder TensorFlow, Erfahrung mit Feature-Engineering und dem ganzen unglamourösen Drumherum – Datenqualität, Reproduzierbarkeit, Monitoring. Haben Sie schon einmal ein Modell in Produktion gebracht und drei Wochen später gemerkt, dass die Eingangsdaten sich verschoben haben? Dann wissen Sie, warum Betriebe genau danach fragen.
Wo Sie landen könnten, ist erfreulich breit gestreut. Industriekonzerne mit Predictive Maintenance, Finanzdienstleister, E-Commerce-Plattformen, dazu die österreichische Startup-Szene rund um Wien, Graz und Linz, die stark auf spezialisierte ML-Anwendungen setzt. Auch Forschungsnahe Institute und Beratungshäuser suchen laufend. Die Karrierewege danach? Richtung ML-Architektur, Richtung Teamleitung, oder tiefer in die Spezialisierung – etwa Computer Vision oder NLP.
Ein Hinweis noch, weil er gern untergeht: Die spannendste Arbeit passiert oft nicht beim Modell selbst, sondern an den Rändern. Datenverträge, Latenzbudgets, das Gespräch mit den Fachabteilungen, die eigentlich nur eine Zahl wollen. Wer beides mag, das Technische und das Übersetzen dazwischen, ist hier goldrichtig.