WeZoom logoWeZoom.app

Machine Learning Engineer / KI-Entwickler/in Lebenslauf-Beispiel

Machine Learning Engineers bringen Modelle aus der Forschung in den sicheren Produktivbetrieb. Ein starker deutscher Lebenslauf hebt MLOps-Pipelines, Latenzoptimierungen (Inferenz unter 50 ms), Modellüberwachung und Skalierbarkeit für Millionen von Nutzern hervor.

Alexander Richter

Senior Machine Learning Engineer

Stuttgart, Deutschland alexander.richter.ml@email.de +49 (711) 555-0193 github.com/arichter-ml linkedin.com/in/alexander-richter-ml

Profil

Machine Learning Engineer mit 6 Jahren Erfahrung im Entwurf und Produktiveinsatz hochskalierbarer KI- und Deep-Learning-Systeme. Optimierte Computer-Vision- und NLP-Pipelines für autonome Systeme und E-Commerce, senkte Inferenzzeiten um bis zu 68 % und GPU-Infrastrukturkosten um 42 %.

Berufserfahrung

Lead ML Engineer
Swabian AI Systems AG · Stuttgart
Apr 2021 — Heute
  • Architekturierte eine produktive MLOps-Plattform auf Kubernetes mit Kubeflow und MLflow; verkürzte Modellbereitstellungszyklen von 3 Wochen auf 2 Tage.
  • Optimierte Transformer-basierte LLM-Modelle mittels TensorRT und 8-Bit-Quantisierung; reduzierte Latenz von 95 ms auf 28 ms bei 14 Mio. täglichen Anfragen.
  • Implementierte automatisierte Drift-Erkennung und Re-Training-Pipelines, was die Modellgenauigkeit über 18 Monate stabil bei über 94 % hielt.
Machine Learning Engineer
Baden Vision Labs GmbH · Karlsruhe
Okt 2018 — Mär 2021
  • Entwickelte Computer-Vision-Algorithmen (PyTorch, OpenCV) zur automatisierten Qualitätskontrolle in der Fertigung mit 99,2 % Erkennungsrate fehlerhafter Teile.
  • Containerisierte Inferenz-Services mit Docker und Triton Inference Server; steigerte den Durchsatz um 35 % auf Standard-Cloud-Instanzen.

Kenntnisse

Python · PyTorch · TensorFlow · MLflow · Kubernetes · Docker · TensorRT · ONNX · Triton Server · Hugging Face · C++ · CUDA · Git

Ausbildung

Universität Stuttgart
M.Sc. Computer Science / Intelligente Systeme
2016 — 2018
Abschlussnote 1,2 · Masterarbeit über effiziente Inferenz in tiefen neuronalen Netzen

Zertifikate

AWS Certified Machine Learning – Specialty · DeepLearning.AI MLOps Specialization

Machine Learning Engineer / KI-Entwickler/in · Technical Mono template · single-column, ATS-safe.

ATS-Keywords für einen Machine Learning Engineer / KI-Entwickler/in-Lebenslauf

Bewerber-Tracking-Systeme vergleichen deinen Lebenslauf mit der Stellenanzeige. Verwende die Begriffe, die auf dich zutreffen — idealerweise mit Kennzahlen belegt.

PythonPyTorchTensorFlowMLOpsDockerKubernetesKServeTritonONNXHugging FaceLLMsComputer VisionNLPMLflowFeature StoreCI/CDCUDAC++

Worauf Recruiter achten

  • Erfahrung im Deployment und in der Optimierung produktiver ML-Modelle (Inferenzzeit, GPU/CPU-Auslastung).
  • Kenntnisse im Bereich MLOps: Continuous Training, Feature Stores, Drift Detection, MLflow.
  • Tiefes Verständnis von Deep-Learning-Frameworks (PyTorch, TensorFlow, TensorRT).
  • Umgang mit modernen Architekturen: Transformer, LLMs, Embeddings oder Computer Vision.

Vorher & Nachher: ein Stichpunkt

Schwach

Modelltraining für Textklassifikation durchgeführt.

Stark

Trainierte und quantisierte ein BERT-Transformer-Modell (PyTorch, ONNX), senkte Inferenzlatenz um 70 % auf 18 ms und sparte 60.000 € monatliche Cloud-GPU-Kosten.

Häufige Fehler vermeiden

  • Nur Modelltraining beschreiben, ohne Inferenz, Latenz oder Skalierung im Produktivsystem zu erwähnen.
  • Keine Angaben zu Hardware-Effizienz (GPU-Kosten, Quantisierung, ONNX).
  • Fehlende MLOps-Infrastrukturkompetenz (Docker, Kubernetes, CI/CD).
  • Vage Formulierungen wie 'KI-Lösungen erforscht'.