Senior Data Scientist & Software Engineer; m​/w​/d

Arbeitsort:
Schweiz:
Solothurn, Hybrid

Start:
Nach Vereinbarung, unbefristet

Über uns:

QUMEA ist der Pionier im digitalen Mobilitäts-Monitoring für Gesundheitsinstitutionen. Wir stehen für Innovation und Fortschritt im Gesundheitswesen und setzen neue Standards in der Patientensicherheit. Unser radarbasiertes System misst kontaktlos und anonym menschliche Bewegung im Patientenzimmer. Pflegende wissen automatisch und rund um die Uhr, wie es ihren Patienten geht und erfahren in Echtzeit, wenn diese Hilfe benötigen. So sorgt unser digitales Mobilitäts-Monitoring für mehr Patientensicherheit, unterstützt die Pflegenden bei der Arbeit und liefert relevante klinische Erkenntnisse.

Was uns antreibt? Fachpersonen im Gesundheitswesen dabei zu unterstützen, Risiken proaktiv zu managen und Outcomes zu verbessern – mit einer Lösung, die sicher, effizient und diskret arbeitet. Dafür entwickeln wir nicht nur Produkte, sondern Wissen und Technologien, die ihrer Zeit voraus sind. Zur Verstärkung unseres Algorithmik Teams suchen wir dich als Senior Research & Radar Signal Processing Engineer, um unsere Data Pipeline weiterzuentwickeln.

Deine Mission:

Als Senior Data Science & Software Engineer entwickelst du aus unseren Radardaten neue, klinisch relevante Fähigkeiten für das Patienten-Monitoring. Du evaluierst kreative neue Ansätze und übersetzt sie in robuste, messbare Modelle, die im Alltag echten Impact haben, wie beispielsweise Allein-/Anwesenheitserkennung, Ganganalyse (Bewegungsmuster) und neue Features wie Delir.

Dein Fokus ist wissenschaftlich neugierig, zugleich hands-on und produktorientiert:
Du baust nicht nur Prototypen, sondern integrierst Lösungen sauber architektonisch in die Produktlandschaft – mit Clean Code und Engineering-Anspruch (Java & Python).

Deine Aufgaben im Detail:

• Entwicklung und Validierung von Modellen/Algorithmen für Use-Cases wie beispielsweise:

• Ganganalyse und Bewegungsmustererkennung (Gangbild, Stabilität, Abweichungen, Trendanalysen)

• Neue Features wie Delir, komplexe Risikoindikatoren, klinische „Events“

• Experiment-Design & Messbarkeit:
  Definition von Metriken, Offline-Evaluation, Golden Sets, Reproduzierbarkeit, Performance/Robustheit.

• Feature-Engineering & Representation Learning: sinnvolle Repräsentationen aus Radar-Daten ableiten (inkl. Domänenverständnis).

• Produktionsreife Implementierung:

• Überführung von Prototypen in saubere Software-Komponenten

• Clean Architecture, testbarer Code, Code Reviews, Refactoring

• Integration in unsere bestehende Pipeline/Services (Java/Python)

• Evaluation neuer Ansätze für radarbasiertes Patienten-Monitoring (klassisches ML, Deep Learning, probabilistische Modelle, First-Principles- und hybride Verfahren).

Was du mitbringst:

• Mehrjährige Erfahrung als Senior Data Scientist / ML Engineer / Software Engineer (oder vergleichbar) mit nachweisbaren produktiven ML-Systemen.

• Fundierte ML-Kenntnisse (Supervised/Unsupervised, Sequenzen/Time Series, Anomaly Detection, Classification/Regression) und solides Statistik-/Evaluationsverständnis.

• First-Principles-Denken:
  Du kannst Modelle nicht nur "anwenden", sondern herleiten, hinterfragen und mit Domänenwissen kombinieren (hybride Ansätze).

• Sehr gute Programmiererfahrung und Engineering-Mindset:

• Python (Analyse, Prototyping, Modellierung)

• Java (Produktintegration, saubere Services/Komponenten)

• Testing, Code-Qualität, maintainable design, Performance-Bewusstsein

• Erfahrung mit dem gesamten Modell-Lifecycle:
  Daten verstehen à Modell bauen à evaluieren à in Produktion bringen à

• Wissenschaftliche Neugier gepaart mit Pragmatismus:
  Hypothesen bilden, experimentell prüfen, Ergebnisse liefern.

Nice to have:

• Radar-/Sensorik-Erfahrung (Radar besonders, alternativ ähnliche Modalitäten mit anspruchsvollen Signal-/Zeitreihencharakteristika).
• MLOps / ML-Pipelines:
  Training/Deployment-Automation, Model Registry, Monitoring/Drift, reproducible experiments.
• Erfahrung mit skalierbaren Daten-/Feature-Pipelines, Streaming/Batch, Observability.
• Erfahrung mit robustem Benchmarking (Regression-Suites, Golden Data Replays, A/B-Tests).
• Domain-Know-how im Healthcare-Kontext (klinische Workflows, outcome-orientierte Feature-Definition).