End-to-End Verantwortung für Recommender-Use-Cases: Problemdefinition, Datenaufbereitung, Modellierung, Experimentdesign, Deployment, Monitoring
Modellweiterentwicklung & -auswahl von kollaborativem Filtern, Matrixfaktorisierung, Factorization Machines, bis hin zu Deep Learning (Two-Tower, DSSM, Wide & Deep, DIN/DIEN, Transformers, Sequence- und Session-based Recsys)
Retrieval & Ranking: Aufbau von Candidate Generation (Approximate Nearest Neighbor, Embedding Stores) und feingranularem Ranking (Learning-to-Rank, Gradient Boosting/GBDT, DNNs)
Feature Engineering: Nutzer-, Item-, Kontext- und Sequenzfeatures; Embeddings; Cold-Start-Strategien; Feedback-Signale (implizit/Explizit)
Daten- & Systemarchitektur: Skalierbare Pipelines (Batch/Streaming), Vektorsuche (ANN), Caching, Latenzoptimierung für Low-Latency Inference

Fundierte Kenntnisse in Recommender-Systemen (theoretisch & praktisch), inkl. Collaborative Filtering, Matrix Factorization, Learning to Rank und Deep Recsys
Programmiererfahrung: Python (Produktionsreife), solide Software-Engineering-Skills (Tests, Typing, Code Reviews, Clean Code)
Daten-/ML-Stack: Pandas, NumPy, Scikit-learn und mindestens ein Deep-Learning-Framework (PyTorch oder TensorFlow)
MLOps & Deployment: Erfahrung mit Model Serving (z.B. TorchServe, TensorFlow Serving, FastAPI), Containern (Docker), CI/CD (GitHub/GitLab), Feature/Model Registry

Machine Learning Spezialist (m/w/d)