Group Lead Edge AI; Mensch

Deine Mission & Herausforderungen

Als Group Lead Edge AI übernimmst du die Verantwortung für das Team, das aus modernsten Modellen produktionsreife, geräteseitige Intelligenz macht. Du gibst die technische Richtung vor, triffst die harten Entscheidungen zu Hardware und Architektur und bist hands-on genug, um selbst tief in einen Profiler einzutauchen, wenn es schwierig wird.

• Roadmap verantworten: Du treibst On-Device-AI von der Forschung bis zum ausgelieferten Produkt voran.

• Team aufbauen und führen: Du stellst Edge-AI-Engineers ein, förderst sie und entwickelst sie zu den Besten ihres Fachs.

• Modelle deploybar machen: Du bringst Modelle vom trainierten Zustand in den produktiven Einsatz – mit Quantization, Pruning, Distillation und jedem weiteren Trick, um sie auf eingebetteten Beschleuniger-Plattformen (z.
  
  B. NVIDIA Jetson, Qualcomm IQ-Serie) schnell und schlank zu machen.

• Toolchain end-to-end verantworten: Dazu gehören Model-Export- und Inference-Optimierungs-Frameworks (z.
  
  B. ONNX, TensorRT, AIMET) sowie die SDKs, die aus einem Modell ein funktionierendes Roboterverhalten machen.

• Funktionsübergreifend zusammenarbeiten: Du arbeitest eng mit Hardware, Software und Product zusammen, um die Grenzen des vorgegebenen Latenz-, Energie- und Speicherbudgets auszureizen.

• Qualitätsstandards setzen: Du verantwortest Benchmarking, On-Device-Evaluation und Performance-Regressionstests über alle Hardware-Ziele hinweg, die wir ausliefern.

• Selbst mit anpacken, wenn es zählt: Du debuggst einen Accuracy-Drop nach der Quantization, spürst Latenzspitzen auf und löst die Probleme, an denen sonst niemand vorbeikommt.

• Starkes akademisches Fundament: Ein exzellenter Master- oder PhD-Abschluss in Informatik, Elektrotechnik, Embedded Systems oder einem verwandten Fach.

• Nachgewiesene
  
  Erfahrung:
  
  7+ Jahre in ML oder Embedded-AI-Engineering, davon 2+ Jahre in technischer Führungsverantwortung. Echte Produktions-Deployments auf eingebetteten Beschleunigern, nicht nur Papers.

• Hardware-Kompetenz: Praktische Erfahrung mit eingebetteten AI-Hardware-Plattformen (z.
  
  B. NVIDIA Jetson, Qualcomm IQ-Serie oder vergleichbar).

• Optimierungs-Expertise: Tiefes Verständnis von Modelloptimierung vom Modell bis zum Chip:
  Quantization, Pruning, Distillation und Architecture Search.

• Toolchain-Fluency: Sicherer Umgang mit gängigen Model-Optimierungs- und Deployment-Toolchains (z.
  
  B. ONNX, TensorRT, AIMET oder vergleichbaren Vendor-SDKs).

• Technische Tiefe: Starke Python- und C++-Kenntnisse, Erfahrung mit PyTorch sowie Sicherheit im Umgang mit Embedded Linux und Low-Level-Profiling.

• Die richtige Einstellung: Die Überzeugung, dass der einzig echte Test der Zielchip ist – nicht der Trainingscluster.

• Führung & Kommunikation: Die Fähigkeit, Engineers zu führen, Entscheidungen unter Unsicherheit zu treffen und mit Forschenden, Hardware-Engineers und Product gleichermaßen auf Augenhöhe zu kommunizieren. Verhandlungssicheres Englisch erforderlich;
  Deutsch von Vorteil (B2 bis C1).