KI-Ingenieur
Rollenüberblick
Einführung des Teams - Bei EFG möchten wir einen Mehrwert aus Daten schaffen. Innerhalb unserer Data Office-Abteilung suchen wir einen hochqualifizierten und motivierten KI-Softwareingenieur, der sich unserem Team für Machine Learning & GenAI anschließen soll. Sie werden an der Erstellung einer neuen, skalierbaren KI-Plattform arbeiten und KI-gesteuerte Systeme entwerfen, bauen und deployen, die einen messbaren Geschäftserfolg erzielen. - Dies ist eine hervorragende Gelegenheit, einen bedeutenden Einfluss in einer wachsenden Organisation zu haben, die sich für die Bereitstellung einer herausragenden digitalen Bankingerfahrung für unsere Kunden einsetzt. Hauptverantwortungen - 1) Plattform und Architektur - Entwerfen und bauen Sie eine hybride (on-prem/on-cloud) KI/ML-Plattform, um KI-Anwendungsfälle im großen Maßstab auszuführen (Feature-Stores, Modell-Register, Experimentierung, Bewertung, Beobachtbarkeit). - Definieren und implementieren Sie sichere, zuverlässige Inferenz- und Trainingsarchitekturen, einschließlich Vektor-Suche und RAG-Komponenten, sofern anwendbar. - Bieten Sie Plattform-Support für Embeddings, Vektor-Datenbanken und KI-agentic-Kommunikationsprotokolle, um fundierte, interoperable KI-Workflows zu ermöglichen. - Dokumentieren Sie Machine-Learning-Prozesse, Systemarchitektur und betriebliche Runbooks für Reproduzierbarkeit und Wissensaustausch. - 2) Modellentwicklung und -bewertung - Arbeiten Sie an der Ausbildung, Feinabstimmung und Optimierung von Modellen (LLM, NLP, Empfehlungen), einschließlich LoRA/PEFT, wenn relevant. - Implementieren Sie Schutzmechanismen und Prompt-Strategien, um Halluzinationen zu reduzieren und Sicherheit und Konsistenz zu verbessern, und unterstützen Sie agentic-Workflows. - Etablieren Sie Bewertungsrahmen für RAG- und LLM-Systeme. - 3) Softwareentwicklung und MLOps - Übernehmen Sie die end-to-end-Softwareentwicklung von KI-Diensten und APIs (von Design und Codierung bis hin zu Tests und Bereitstellung). - Automatisieren Sie Build, Test und Bereitstellung mithilfe von CI/CD-Pipelines; verwalten Sie Modell-/Versionen-Release über Modell-Register. - Implementieren Sie kontinuierliche Überwachung für bereitgestellte KI-Systeme. - 4) Produkt- und Stakeholder-Zusammenarbeit - Arbeiten Sie eng mit Business-Usern, Produktverantwortlichen, Business-Ingenieuren, Datenmanagern, Datenwissenschaftlern und Technologieteams zusammen, um KI/ML-Anwendungsfälle, Anforderungen und Erfolgsmetriken zu verstehen. - Arbeiten Sie mit Datenwissenschaftlern zusammen, um Prototypen zu iterieren und in robuste, skalierbare Produktionsdienste umzuwandeln. - Übersetzen Sie aufkommende GenAI/Agentic-AI-Fähigkeiten in umsetzbare Produktchancen und wiederverwendbare Komponenten für die Bank. - 5) Sicherheit, Datenschutz und Compliance - Stellen Sie sicher, dass alle KI/ML-Lösungen die unternehmensweiten Richtlinien und Standards für Daten und KI einhalten, einschließlich Datenschutz, Cybersicherheit und verantwortungsvoller KI-Praktiken. - Integrieren Sie Datenschutz durch Design, Zugriffskontrollen, Verschlüsselung und Auditierbarkeit über Datenflüsse und Modelloperationen. - Arbeiten Sie mit Risiko-, Sicherheits- und Compliance-Teams zusammen, um SOC 2, GDPR/CCPA und interne Governance-Richtlinien einzuhalten.
## 1) Ausbildung - Fortgeschrittene Qualifikation in Informatik, Data Science, Mathematik, Statistik, Physik oder verwandtem Gebiet.
## 2) Must-Have - Umfangreiche Kenntnisse von ML/AI-Frameworks: PyTorch oder TensorFlow; Hugging-Face-Ökosystem; LangChain/LlamaIndex oder gleichwertig für Orchestrierung, Datenstrukturen, Datenmodellierung und Softwarearchitektur. - Praktische Erfahrung mit LLM: Prompt-Engineering, Feinabstimmung/LoRA, Embeddings, Vektor-Datenbanken (FAISS, Pinecone, Weaviate), RAG-Muster. - Solide Programmierkenntnisse in Python, R oder Java/Scala; praktische Erfahrung mit SQL, ETL-Tool und Linux; Kenntnisse von Control-M & Terraform sind von Vorteil. - Frühere Erfahrung mit der Bereitstellung von Anwendungen in Cloud-Umgebungen (Azure); Vertrautheit mit hybriden On-Prem/Cloud-Setup. - Erfahrung mit der Erstellung von Produktionsdiensten und APIs (REST/gRPC), Cloud-Native (AWS/GCP/Azure), Containern (Docker) und Orchestrierung (Openshift, Kubernetes). - MLOps-Grundlagen: Experimentverfolgung (MLflow/W&B), Modell-Register, CI/CD, Modellüberwachung, Feature-Stores. - Fähigkeit, CI/CD-Pipelines zu überwachen, zu debuggen und zu warten, die in Produktionsbereitstellungen einfließen (GitHub Actions/GitLab CI/Azure DevOps). - Dateningenieur-Kompetenz: SQL, Datenmodellierung, ETL/ELT und Arbeit mit Data Warehouses/Lakes (Snowflake, BigQuery, S3/Delta). - Fähigkeit, in einer SCRUM/Agile-Umgebung mit Fokus auf Lieferung und Stakeholder-Zusammenarbeit zu arbeiten. - Hervorragende analytische und Problemlösungsfähigkeiten; ergebnis- und detailorientiert mit starker schriftlicher und verbaler Kommunikation. - Erfahrung in der Banken- oder Vermögensverwaltungsbranche ist von Vorteil.
Beschreibung
Einführung des Teams - Bei EFG möchten wir einen Mehrwert aus Daten schaffen. Innerhalb unserer Data Office-Abteilung suchen wir einen hochqualifizierten und motivierten KI-Softwareingenieur, der sich unserem Team für Machine Learning & GenAI anschließen soll. Sie werden an der Erstellung einer neuen, skalierbaren KI-Plattform arbeiten und KI-gesteuerte Systeme entwerfen, bauen und deployen, die einen messbaren Geschäftserfolg erzielen. - Dies ist eine hervorragende Gelegenheit, einen bedeutenden Einfluss in einer wachsenden Organisation zu haben, die sich für die Bereitstellung einer herausragenden digitalen Bankingerfahrung für unsere Kunden einsetzt. Hauptverantwortungen - 1) Plattform und Architektur - Entwerfen und bauen Sie eine hybride (on-prem/on-cloud) KI/ML-Plattform, um KI-Anwendungsfälle im großen Maßstab auszuführen (Feature-Stores, Modell-Register, Experimentierung, Bewertung, Beobachtbarkeit). - Definieren und implementieren Sie sichere, zuverlässige Inferenz- und Trainingsarchitekturen, einschließlich Vektor-Suche und RAG-Komponenten, sofern anwendbar. - Bieten Sie Plattform-Support für Embeddings, Vektor-Datenbanken und KI-agentic-Kommunikationsprotokolle, um fundierte, interoperable KI-Workflows zu ermöglichen. - Dokumentieren Sie Machine-Learning-Prozesse, Systemarchitektur und betriebliche Runbooks für Reproduzierbarkeit und Wissensaustausch. - 2) Modellentwicklung und -bewertung - Arbeiten Sie an der Ausbildung, Feinabstimmung und Optimierung von Modellen (LLM, NLP, Empfehlungen), einschließlich LoRA/PEFT, wenn relevant. - Implementieren Sie Schutzmechanismen und Prompt-Strategien, um Halluzinationen zu reduzieren und Sicherheit und Konsistenz zu verbessern, und unterstützen Sie agentic-Workflows. - Etablieren Sie Bewertungsrahmen für RAG- und LLM-Systeme. - 3) Softwareentwicklung und MLOps - Übernehmen Sie die end-to-end-Softwareentwicklung von KI-Diensten und APIs (von Design und Codierung bis hin zu Tests und Bereitstellung). - Automatisieren Sie Build, Test und Bereitstellung mithilfe von CI/CD-Pipelines; verwalten Sie Modell-/Versionen-Release über Modell-Register. - Implementieren Sie kontinuierliche Überwachung für bereitgestellte KI-Systeme. - 4) Produkt- und Stakeholder-Zusammenarbeit - Arbeiten Sie eng mit Business-Usern, Produktverantwortlichen, Business-Ingenieuren, Datenmanagern, Datenwissenschaftlern und Technologieteams zusammen, um KI/ML-Anwendungsfälle, Anforderungen und Erfolgsmetriken zu verstehen. - Arbeiten Sie mit Datenwissenschaftlern zusammen, um Prototypen zu iterieren und in robuste, skalierbare Produktionsdienste umzuwandeln. - Übersetzen Sie aufkommende GenAI/Agentic-AI-Fähigkeiten in umsetzbare Produktchancen und wiederverwendbare Komponenten für die Bank. - 5) Sicherheit, Datenschutz und Compliance - Stellen Sie sicher, dass alle KI/ML-Lösungen die unternehmensweiten Richtlinien und Standards für Daten und KI einhalten, einschließlich Datenschutz, Cybersicherheit und verantwortungsvoller KI-Praktiken. - Integrieren Sie Datenschutz durch Design, Zugriffskontrollen, Verschlüsselung und Auditierbarkeit über Datenflüsse und Modelloperationen. - Arbeiten Sie mit Risiko-, Sicherheits- und Compliance-Teams zusammen, um SOC 2, GDPR/CCPA und interne Governance-Richtlinien einzuhalten.
## 1) Ausbildung - Fortgeschrittene Qualifikation in Informatik, Data Science, Mathematik, Statistik, Physik oder verwandtem Gebiet.
## 2) Must-Have - Umfangreiche Kenntnisse von ML/AI-Frameworks: PyTorch oder TensorFlow; Hugging-Face-Ökosystem; LangChain/LlamaIndex oder gleichwertig für Orchestrierung, Datenstrukturen, Datenmodellierung und Softwarearchitektur. - Praktische Erfahrung mit LLM: Prompt-Engineering, Feinabstimmung/LoRA, Embeddings, Vektor-Datenbanken (FAISS, Pinecone, Weaviate), RAG-Muster. - Solide Programmierkenntnisse in Python, R oder Java/Scala; praktische Erfahrung mit SQL, ETL-Tool und Linux; Kenntnisse von Control-M & Terraform sind von Vorteil. - Frühere Erfahrung mit der Bereitstellung von Anwendungen in Cloud-Umgebungen (Azure); Vertrautheit mit hybriden On-Prem/Cloud-Setup. - Erfahrung mit der Erstellung von Produktionsdiensten und APIs (REST/gRPC), Cloud-Native (AWS/GCP/Azure), Containern (Docker) und Orchestrierung (Openshift, Kubernetes). - MLOps-Grundlagen: Experimentverfolgung (MLflow/W&B), Modell-Register, CI/CD, Modellüberwachung, Feature-Stores. - Fähigkeit, CI/CD-Pipelines zu überwachen, zu debuggen und zu warten, die in Produktionsbereitstellungen einfließen (GitHub Actions/GitLab CI/Azure DevOps). - Dateningenieur-Kompetenz: SQL, Datenmodellierung, ETL/ELT und Arbeit mit Data Warehouses/Lakes (Snowflake, BigQuery, S3/Delta). - Fähigkeit, in einer SCRUM/Agile-Umgebung mit Fokus auf Lieferung und Stakeholder-Zusammenarbeit zu arbeiten. - Hervorragende analytische und Problemlösungsfähigkeiten; ergebnis- und detailorientiert mit starker schriftlicher und verbaler Kommunikation. - Erfahrung in der Banken- oder Vermögensverwaltungsbranche ist von Vorteil.