Als Edge AI Engineer bringst du modernste Modelle als produktionsreife, on-device Intelligenz auf unsere Roboter. Du arbeitest hands-on an der Schnittstelle von Machine Learning, Embedded Systems und Robotik. Dein Fokus: Modelle schnell, schlank und zuverlässig auf der Hardware zum Laufen zu bringen, die wir ausliefern.
Deployment am Edge: Du bringst Modelle vom Training bis in den Einsatz und nutzt dafür Quantization, Pruning, Distillation und jeden weiteren Hebel, um sie auf Embedded-Accelerator-Plattformen (z. B. NVIDIA Jetson, Qualcomm IQ-Serie) schnell und ressourcenschonend zu machen.
Verantwortung für die Toolchain: Du arbeitest entlang der gesamten Kette aus Model Export, Inference-Optimierungs-Frameworks (z. B. ONNX, TensorRT, AIMET) und den SDKs, die aus einem Modell ein funktionierendes Roboterverhalten machen.
Optimierung bis auf die Hardware-Ebene: Du profilierst, analysierst und optimierst Modelle und Runtimes, damit sie die Latenz-, Energie- und Speicherbudgets jeder Zielhardware einhalten.
Zusammenarbeit über Funktionen hinweg: Du arbeitest eng mit Research, Hardware, Software und Product zusammen, um On-Device-AI von der Forschung bis zum ausgelieferten Produkt zu bringen.
Qualitätsstandards setzen: Du baust Benchmarking, On-Device-Evaluation und Performance-Regressionstests für alle Hardware-Targets auf und pflegst sie.
Die schwierigen Probleme lösen: Du analysierst Accuracy-Einbußen nach der Quantization, jagst Latenzspitzen und löst Probleme, die erst auf dem echten Chip sichtbar werden.
Starkes akademisches Fundament: Ein Master- oder PhD-Abschluss in Informatik, Elektrotechnik, Embedded Systems oder einem verwandten Fachgebiet.
Nachgewiesene Erfahrung: Mindestens 3 Jahre Erfahrung im Bereich ML oder Embedded-AI-Engineering, inklusive echtem Produktiv-Deployment auf Embedded-Acceleratoren, nicht nur aus Papers.
Hardware-Know-how: Praktische Erfahrung mit Embedded-AI-Hardwareplattformen (z. B. NVIDIA Jetson, Qualcomm IQ-Serie oder vergleichbar).
Optimierungs-Expertise: Fundiertes Wissen in der Modelloptimierung von der Modellseite bis zur Hardware: Quantization, Pruning, Distillation und Architecture Search.
Toolchain-Expertise: Sicherer Umgang mit gängigen Toolchains für Modelloptimierung und Deployment (z. B. ONNX, TensorRT, AIMET oder vergleichbare Hersteller-SDKs).
Technische Tiefe: Starke Kenntnisse in Python und C++, Erfahrung mit PyTorch sowie Sicherheit im Umgang mit Embedded Linux und Low-Level-Profiling.
Die richtige Denkweise: Die Überzeugung, dass der einzige echte Test der Ziel-Chip ist und nicht der Trainings-Cluster.
Zusammenarbeit & Kommunikation: Du arbeitest selbstständig, triffst fundierte Entscheidungen auch bei Unsicherheit und kommunizierst auf Augenhöhe mit Researchern, Hardware-Engineers und Product. Fließendes Englisch ist Voraussetzung, Deutschkenntnisse sind ein starkes Plus (B2 bis C1).