ML-Ingenieur Lebenslauf-Beispiel
Professionelles ML-Ingenieur-Lebenslauf-Beispiel mit von Recruitern geprüften Abschnitten, die Sie in Minuten anpassen können.
Nur ein Beispiel
Alle persönlichen Angaben und die Laufbahn in diesem Beispiel sind fiktiv. Passen Sie den Lebenslauf mit Ihren echten Daten an, bevor Sie sich bewerben.
Lebenslauf-Vorschau
Maximilian Fischer
Machine Learning Engineer
7 Jahre Erfahrung im Deployment von Machine-Learning-Modellen in Produktionsumgebungen und in der Entwicklung skalierbarer MLOps-Pipelines.
Berufserfahrung
Senior ML Engineer
Model Circuit, Vollzeit
2019-08-01 – Present
Karlsruhe, Deutschland
Produktions-ML-Systeme — Inferenz-Serving in Kubernetes, Drift-Erkennung mit Auto-Retraining und Canary-Deployment von Modellen.
- Operationalisierte Machine-Learning-Systeme für den großskaligen Produktivbetrieb
- Baute Feature-Pipelines und Online-Inferenz-Endpunkte in Kubernetes und lieferte Empfehlungen mit unter 120 ms bei 4k RPS.
- Implementierte Drift-Erkennung mit PSI- und KS-Tests und automatisierten Retraining-Triggern und reduzierte Vorfälle durch veraltete Modelle.
- Führte Canary-Deployment-Richtlinien für Modellversionen mit Shadow-Traffic-Evaluierung vor dem Produktiv-Cutover ein.
ML Engineer
Delta Intelligence, Vollzeit
2017-07-01 – 2019-07-01
München, Deutschland
Trainings- und Serving-Infrastruktur für Ranking-Systeme — verteiltes PyTorch-Training, MLflow-Model-Registry und FAISS-Retrieval.
- Entwickelte Trainings- und Serving-Infrastruktur für Ranking-Systeme
- Containerisierte PyTorch-Trainingsjobs mit Distributed-Data-Parallel-Ausführung und verkürzte die Trainingszeit von 11 auf 6 Stunden.
- Erstellte Model-Registry-Workflows mit Freigabe-Gates und Lineage-Metadaten mittels MLflow und GitOps-Kontrollen.
- Baute latenzarme ANN-Retrieval-Services mit FAISS für die semantische Suche über 40 Mio. Produktbeschreibungen.
Junior ML Engineer
Prism Adaptive, Vollzeit
2015-06-01 – 2017-06-01
Berlin, Deutschland
Zuverlässigkeit der ML-Plattform und Modellintegration — TFDV-Datenverträge, Airflow-Batch-Inferenz und reproduzierbare Umgebungen.
- Unterstützte die Zuverlässigkeit der ML-Plattform und die Modellintegration
- Implementierte Datenvalidierungsverträge mit TensorFlow Data Validation, um Schema-Brüche bei Features früh zu erkennen.
- Schrieb Batch-Inferenz-Orchestrierungsjobs in Airflow mit Checkpoint-Recovery für langlaufende Workloads.
- Ergänzte reproduzierbare Environment-Lockfiles für Trainingsjobs und beseitigte Fehler durch Abhängigkeitskonflikte im CI.
Ausbildung
Informatik, Bachelor of Science
Karlsruher Institut für Technologie (KIT)
2015-09-01 – 2019-06-01
Abschluss in Informatik am Karlsruher Institut für Technologie (KIT) mit Lehrveranstaltungen zu Python, PyTorch, TensorFlow, Abschlussprojekten und kollaborativen Projekten, die auf berufliche Rollen vorbereiteten.
Kenntnisse
Zertifikate
Google Professional Machine Learning Engineer
Google
2023-06-01
AWS Certified Machine Learning - Specialty
AWS
2022-06-01
Sprachen
Deutsch (Muttersprache)
Englisch (verhandlungssicher, C1)
Leitfaden zur Lebenslauf-Erstellung
- Zeigen Sie sowohl Verbesserungen der Modellqualität als auch Kennzahlen zur Produktionszuverlässigkeit an.
- Fügen Sie Beispiele für skalierbare Bereitstellung, Beobachtbarkeit und Umschulungsautomatisierung hinzu.
- Demonstrieren Sie eine enge Zusammenarbeit mit Datenwissenschaftlern und Plattformingenieuren.
- Google Professional Machine Learning Engineer
- AWS Certified Machine Learning - Specialty
- Databricks Certified Machine Learning Professional