ML Engineer – MLOps & Platform Engineering (m/w/d)

Seit Jahrzehnten zählt Cadmould zu den schnellsten und fortschrittlichsten Spritzgieß-Simulatoren am Markt und genießt branchenweit hohes Vertrauen. Jetzt haben wir etwas entwickelt, das es in dieser Form noch nie gab.
Der Cadmould AI Solver ist das erste Large Engineering Model (LEM) für das Kunststoffspritzgießen: ein transformerbasiertes neuronales Physikmodell, das hochpräzise Ergebnisse bis zu 1.000-mal schneller liefert als klassische Solver. Es macht aus der Simulation, die bisher ein langsamer Validierungsschritt war, etwas, das Ingenieure in Echtzeit erkunden können. Das Modell läuft bereits als Research Preview auf unserer Website und wurde bereits an unsere ersten Kunden ausgeliefert.
Leistungsfähige Modelle sind nur so gut wie die Daten, aus denen sie lernen, und zählen erst, wenn sie wirklich im Einsatz sind. Genau das ist dein Bereich. Du behandelst Trainingsdaten als erstklassiges Asset: versioniert, nachvollziehbar und kontinuierlich verbessert, mit sichtbarem Einfluss auf die Ergebnisse. Du baust die Pipelines, den Modell-Lifecycle und den produktiven AWS-Service, die unsere Modelle vom Experiment bis zum Kunden bringen. Die Systeme rund um die Modelle sind genauso sehr das Produkt wie die Modelle selbst.

Diese Position kann von unserem Büro in Würselen bei Aachen aus oder remote aus Deutschland ausgeübt werden, mit gelegentlichen Reisen zu Teamevents und Vor-Ort-Terminen.

Du baust und verantwortest die Plattform hinter unserem AI Solver: die Systeme, die unsere Trainingsdaten und Modelle als erstklassige Assets verwalten, sie zuverlässig in Produktion bringen und unseren Kunden bereitstellen.

• Die Trainings- und Datenplattform aufbauen. Entwirf die Pipelines und Systeme, die unsere Trainingsdaten und Modelle als das behandeln, was sie sind – Assets –, versioniert und nachverfolgt, mit eingebauter Reproduzierbarkeit und Lineage.
• Den Modell-Lifecycle verantworten. Baue den Weg vom Experiment zur Produktion: Modellversionierung, eine Registry, Promotion sowie zuverlässiges, wiederholbares Training und Deployment.
• Den Kreislauf in der Produktion schließen. Baue das Monitoring, das Modellverschlechterung sichtbar macht und meldet, wenn eingehende Daten von dem abweichen, was ein Modell gut verarbeiten kann, damit unsere AI Engineers wissen, wo sie ansetzen müssen.
• Das AI-Team befähigen. Stelle die Workflows und Tools bereit, mit denen unsere AI Engineers und Data Scientists Modelle trainieren, evaluieren und deployen. Du baust die Schienen, sie fahren.
• Den Produktivservice betreiben und weiterentwickeln. Betreibe und skaliere unseren AWS-Service, der die KI-Modelle ausliefert, halte ihn schnell und zuverlässig und baue ihn mit unserem Wachstum aus – zum Beispiel von einem einzelnen Modell hin zu mehreren wählbaren Modellen, einschließlich zugriffsbeschränkter oder nutzerspezifischer Varianten.
• Hand in Hand mit dem Cloud-Team arbeiten. Dieses Team baut unsere Simulationsplattform und ist der Hauptabnehmer deines AI-Service – neue Fähigkeiten auszuliefern bedeutet also, Schnittstelle und Rollout gemeinsam zu gestalten.
• Dort anpacken, wo es zählt. Wir sind ein kleines Team, deshalb reicht die Plattformarbeit auch in klassische Software- und Infrastruktur-Themen hinein. Du hast den Freiraum, Problemen dorthin zu folgen, wo sie dich hinführen.

Diese Rolle baut und betreibt die Plattform. Die Bewertung der Modellqualität, die Kuratierung der Trainingsdaten und die Modellierung selbst liegen bei unseren AI Engineers und Data Scientists. Deine Aufgabe ist es, ihre Arbeit schnell, reproduzierbar und produktionsreif zu machen.

• Studium in Informatik, Data Engineering, Machine Learning oder einem verwandten Fach, mit mindestens 3 Jahren einschlägiger Erfahrung. Wir stellen auf Mid- bis Senior-Level ein.
• Starke Python-Kenntnisse und solide Software-Engineering-Grundlagen (Testing, Versionskontrolle, CI/CD).
• Praktische Erfahrung darin, ML-Systeme vom Training in die Produktion zu bringen: Datenpipelines, Trainings-Workflows und Deployment.
• Erfahrung mit Cloud-Umgebungen und Containerisierung (AWS, Docker, Kubernetes oder Vergleichbares).
• Vertrautheit mit Tools für Experiment-Tracking sowie Modell-/Datenversionierung (z. B. MLflow, Weights & Biases, DVC).
• Pragmatisch und auf Zuverlässigkeit bedacht. Du konzentrierst dich darauf, Systeme zu bauen, die funktionieren – und zwar dauerhaft.
• Coding Agents sind fester Bestandteil deiner Arbeitsweise – du betrachtest sie als System, das es zu optimieren gilt, nicht als gelegentlich genutztes Werkzeug. Du feilst kontinuierlich daran, wie du mit ihnen arbeitest – von Kontext und Tooling bis hin zum Workflow – und weißt genau, wo sie helfen und wo sie im Weg stehen.
• Englisch ist unsere Arbeitssprache und alles, was du für den Job benötigst. Deutschkenntnisse sind von Vorteil. Wir sind noch eine überwiegend deutschsprachige Kultur auf dem Weg zu Englisch.

Von Vorteil:

• Berührungspunkte mit wissenschaftlichem Rechnen oder Simulationsdaten.
• Deployment von KI-Modellen jenseits der Cloud: CPU-only On-Premises- oder Edge-Umgebungen sowie Hybrid-Setups.
• Workflow-Orchestrierung (Airflow, Prefect oder Vergleichbares).
• Inferenzoptimierung (Quantisierung, Pruning, effiziente Architekturen).
• AWS-Stack (S3, EC2, ECR, SageMaker) und Infrastructure as Code (Terraform).
• Aufbau interner Plattformen oder Tools, auf denen andere Engineers aufbauen.

Du musst nicht jeden Punkt erfüllen. Wenn du deine Lücken kennst und weißt, wie du sie schließt, bewirb dich.

• Eine echte technische Herausforderung. Du gestaltest eine bewährte Simulationsengine für einen Markt neu, der sich in Richtung Cloud und KI bewegt.
• Verantwortung und Wirkung. Rund 40 Mitarbeitende. Deine Entscheidungen prägen Produkt und Unternehmen.
• Moderne Tools. Notion, GitHub, Linear, Coding Agents. Wir entwickeln gerade die Arbeitsweisen, die das ermöglichen – und du gestaltest sie mit.
• Direkte, ehrliche Kultur. Offenes Feedback ist bei uns Standard, intern wie extern. Kein Micromanagement.