Lebenslauf als Machine Learning Engineer

Machine-Learning-Engineers unterscheiden sich von Data Scientists vor allem dadurch, dass sie Modelle in Produktion bringen. Der Lebenslauf zeigt das: Deployment, Monitoring, Pipelines und Skalierung stehen neben der Modellierung. Frameworks wie PyTorch oder TensorFlow, MLOps-Werkzeuge und Cloud-Plattformen erscheinen zusammen mit einem Projekt, das Datenmenge und Ergebnis nennt.

Open-Source-Beiträge oder eigene Projekte verlinkst du, wenn sie vorhanden sind. Bei Themen wie großen Sprachmodellen und Retrieval-Systemen hilft ein konkretes Beispiel mehr als Schlagworte, etwa „Suchsystem mit Embeddings für 2 Millionen Dokumente, Antwortzeit unter einer Sekunde“. Auch Kennzahlen zur Modellqualität, zu Kosten und Latenz machen die Arbeit vergleichbar.

Wer wissenschaftlich gearbeitet hat, listet Publikationen kurz auf und wählt die für die Stelle relevantesten aus. Ebenso zählen Erfahrung mit Datenpipelines, Testen von Modellen, Datenschutz und Zusammenarbeit mit Produkt und Backend. Für Wechsler aus der Softwareentwicklung lohnt ein Satz, welche Produktionserfahrung sie mitbringen und welche ML-Projekte sie bereits begleitet haben.

Schwächer wirken Modellnamen und Frameworks ohne Einsatzbeispiel. Auch Genauigkeitswerte ohne Datenbasis, Vergleich und Produktionskontext lassen offen, was erreicht wurde. Besser sind Beispiele, die zeigen, wie ein Modell in Betrieb ging, überwacht wurde und welchen Nutzen es brachte.

Einsteiger nennen Abschlussarbeit, Projekte und Zertifikate. Erfahrene belegen Produktionsbetrieb, Datenmengen und Ergebnisse. Wer aus Softwareentwicklung oder Data Science wechselt, beschreibt, welche Teile des ML-Betriebs er bereits übernommen hat. Produktion ist der eigentliche Test.