Newxel
Newxel
501 – 1.000 Mitarbeitende
BeratungGesundheitswesenLogistik
Newxel ist ein Anbieter von IT-Personal- und Engineering-Dienstleistungen, der Unternehmen beim Aufbau und Betrieb dedizierter Softwareentwicklungsteams und schlüsselfertiger Forschungs- und Entwicklungszentren unterstützt. Das Angebot umfasst IT-Recruiting, Personalverstärkung, Offshore-Entwicklungszentren sowie rechtliche, finanzielle und operative Unterstützung für den Ausbau von Engineering-Aktivitäten in mehr als 10 Ländern. Newxel arbeitet mit Fachkräften in den Bereichen Web- und Mobile-Entwicklung, künstliche Intelligenz und maschinelles Lernen, Big Data, Spieleentwicklung, Qualitätssicherung, Embedded Software, Cybersicherheit und Blockchain und unterstützt langfristige Geschäftspartnerschaften sowie verteilte technische Teams.

Machine-Learning-Ingenieur:in für Computer Vision (hybrid, Polen)

Verantworte produktive Computer-Vision-Systeme für die Live-Videoplattform von WSC Sports – von der Modellbewertung bis zur Bereitstellung. Optimiere GPU-Inferenz, Benchmarks und Validierung für Sportvideo-Anwendungen.

Beschreibung

  • Leite die Entwicklung von Funktionen zum Videoverständnis, darunter Erkennung, Tracking, Identifikation und Szenenanalyse.
  • Verbessere Durchsatz und Kosten der GPU-Inferenz durch Batching, Präzisionsoptimierung und Kompilierung.
  • Überwache Qualität und Latenz im Produktivbetrieb, untersuche Fehler und behebe Regressionen.
  • Erstelle und pflege annotierte Sport-Benchmarks, gegliedert nach Sportart, Liga und Inhaltstyp.
  • Lege Modellmetriken wie mAP, F1, Präzision, Recall, IoU, Latenz und GPU-Kosten fest und überwache sie.
  • Vergleiche Modelle systematisch und reproduziere veröffentlichte Ergebnisse mit Unternehmensdaten.
  • Verfasse Entscheidungsvorlagen mit Empfehlungen, Abwägungen und Informationen zur Lizenzierung.
  • Pflege Regressionstests sowie Shadow- und A/B-Pipelines, um Modell- und Konfigurationsänderungen vor der Veröffentlichung zu validieren.
  • Verfolge Forschungsarbeiten, Modellveröffentlichungen und Bestenlisten, um geeignete Kandidaten für die Evaluierung zu finden.

Anforderungen

  • Mindestens 3–5 Jahre Erfahrung mit der Bereitstellung produktiver Machine-Learning-Systeme, davon mindestens 2 Jahre im Bereich Computer Vision; Erfahrung mit Video ist erwünscht.
  • Sehr gute Kenntnisse in Python und PyTorch.
  • Praktische Erfahrung mit dem Profiling und der Optimierung von GPU-Inferenz mit TensorRT und ONNX Runtime.
  • Praktische Erfahrung in mindestens zwei der folgenden Bereiche: Objekterkennung und Segmentierung; OCR und Erkennung von Szenentext; oder Videoaktionserkennung und zeitliche Lokalisierung.
  • Erfahrung mit der Erstellung von Testsätzen, der Berechnung von mAP, F1 und temporalem IoU sowie mit fundierten Modellvergleichen.
  • Fähigkeit, Forschungsarbeiten und Modellkarten kritisch zu bewerten und veröffentlichte Ergebnisse zu reproduzieren.
  • Erfahrung mit Produktivbereitstellungen unter Verwendung von Docker, warteschlangenbasierten Diensten und Cloud-GPU-Infrastruktur.
  • Erfahrung mit der Verarbeitung großer Videomengen, einschließlich FFmpeg, Dekodierungspipelines und Frame-Sampling.
  • Ausgeprägte schriftliche Kommunikationsfähigkeit sowie die Fähigkeit, technische Abwägungen zu dokumentieren und klare Empfehlungen auszusprechen.
  • Von Vorteil sind Kenntnisse in Azure Service Bus und Blob Storage, nachrichtenbasierten Architekturen, Vision-Language-Modellen, multimodalem Verständnis, domänenspeziellem Vision-Fine-Tuning, selbstüberwachtem Lernen, synthetischer Datengenerierung, CVAT, Label Studio, Shadow Deployments, A/B-Tests oder kommerzieller Modelllizenzierung.

Zusatzleistungen

  • Verantworte den gesamten Machine-Learning-Lebenszyklus – von der Reproduktion von Forschungsergebnissen und der Erstellung von Benchmarks bis zur Optimierung laufender GPU-Workloads.
  • Setze skalierbare Verbesserungen im Produktivbetrieb um und senke durch Modelloptimierung Infrastrukturkosten und Latenz.
  • Arbeite in einem evidenzorientierten Engineering-Umfeld mit A/B-Tests, Shadow Deployments und statistischer Validierung.

Ähnliche Stellen