Summary
✨ AI‑Generated
Work as an Edge AI Engineer bringing modern machine-learning models into production on embedded robotic hardware. You will optimize models and inference runtimes for latency, memory, and compute efficiency, manage the model-to-deployment toolchain, profile performance, and work closely with embedded and robotics teams. The role is suited to engineers who enjoy low-level optimization and turning AI models into reliable real-world behavior.
Highlights
Hands-on role at the intersection of machine learning, embedded systems, and robotics, focused on deploying efficient, production-ready AI directly on hardware.
Description
Deine Mission & Herausforderungen
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.
Was du mitbringst
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).
