DecisionPoint | Cortek

28.10.2026

AI/ML & MLOps Engineer (SME)

RemoteVereinigte Staaten

Chicago, Illinois, United States

AWSKubernetes

Automatische Übersetzung. Prüfe das Original.

Überblick

DecisionPoint sucht einen AI/ML & MLOps Engineer, der die Architektur, Bereitstellung, Überwachung, Automatisierung und Governance von produktiven machine learning-Funktionen zur Unterstützung des USMEPCOM ENLIST-Programms leitet.

Diese Position auf SME-Ebene umfasst die Pflege von Trainings-, Validierungs- und Testdatensätzen, den Entwurf und Betrieb produktiver ML-Architekturen, die Automatisierung der Modellbereitstellung, die Überwachung der Modellleistung und von Drift sowie die Kontrolle von Aktualisierungen für Modelle, Datensätze, Pipelines und unterstützende Konfigurationen. Der Engineer etabliert reproduzierbare, nachvollziehbare und sichere Prozesse, um machine learning-Funktionen von der Entwicklung über die Validierung bis hin zur Produktion zu überführen.

Der AI/ML & MLOps Engineer arbeitet eng mit den Mission-Ownern, Data Scientists, Data Engineers, Cloud-Architekten, Softwareentwicklern, Cybersecurity-Personal, Testern und Betriebsteams zusammen. Der erfolgreiche Kandidat muss fundierte Kenntnisse im Bereich machine learning-Engineering mit Expertise in Produktionsautomatisierung, sicherer Cloud-Architektur, Data Governance und betrieblicher Überwachung kombinieren.

Diese Position ist remote, wobei Kandidaten aus dem Raum Chicago bevorzugt werden.

Fähigkeiten

Hinweis: Mit der Bewerbung auf diese Position bestätigen Sie und willigen ein, dass Ihr Lebenslauf in ein aktives, wettbewerbsorientiertes Angebot für einen Regierungsauftrag aufgenommen wird.

Produktions-Architektur für machine learning.

MLOps-Engineering und Automatisierung des Lebenszyklus.

Modellbereitstellung und -bereitstellung (Serving).

Verwaltung von Trainings-, Validierungs- und Testdatensätzen.

Modellbewertung und Leistungsmessung.

Überwachung von Modell- und Datendrift.

Modell-, Daten- und Konfigurations-Governance.

Automatisierte Test- und Bereitstellungspipelines.

Cloud-ML-Plattformen und sichere Datenpipelines.

Versionskontrolle, Rückverfolgbarkeit und Audit-Dokumentation.

Produktionsüberwachung und Fehlerbehebung bei Vorfällen.

Implementierung von Cybersicherheit und Zugriffskontrolle.

Technische Führung und Architekturkommunikation.

Funktionsübergreifende Zusammenarbeit mit Missions-, Daten-, Software-, Cloud-, Sicherheits-, Test- und Betriebsteams.

Unsere Richtlinie zur Chancengleichheit

EEO- und Affirmative-Action-Richtlinie: DecisionPoint Corporation ist ein Arbeitgeber, der sich für Chancengleichheit und Affirmative Action einsetzt. Es ist die Richtlinie der DecisionPoint Corporation, allen Mitarbeitern und qualifizierten Bewerbern Chancengleichheit in Übereinstimmung mit allen geltenden Gesetzen, Richtlinien und Vorschriften zur Chancengleichheit/Affirmative Action zu bieten, ohne Rücksicht auf Rasse, ethnische Herkunft, Hautfarbe, Religion, nationale Herkunft, Geschlecht, Alter, Behinderungsstatus, Schwangerschaft, sexuelle Orientierung, Geschlechtsidentität, genetische Informationen, geschützten Veteranenstatus oder jeden anderen durch Bundes-, Landes- oder lokale Gesetze geschützten Status.

Richtlinie zur Lohntransparenz: In Übereinstimmung mit der Presidential Executive Order 13665 wird die DecisionPoint Corporation Mitarbeiter oder Bewerber nicht entlassen oder in anderer Weise diskriminieren, weil sie sich nach ihrem eigenen Lohn oder dem Lohn eines anderen Mitarbeiters oder Bewerbers erkundigt, diesen besprochen oder offengelegt haben. Mitarbeiter, die im Rahmen ihrer wesentlichen beruflichen Funktionen Zugang zu den Vergütungsinformationen anderer Mitarbeiter oder Bewerber haben, dürfen den Lohn anderer Mitarbeiter oder Bewerber jedoch nicht gegenüber Personen offenlegen, die ansonsten keinen Zugang zu Vergütungsinformationen haben, es sei denn, die Offenlegung erfolgt (a) als Reaktion auf eine formelle Beschwerde oder Anklage, (b) zur Förderung einer Untersuchung, eines Verfahrens, einer Anhörung oder einer Klage, einschließlich einer vom Arbeitgeber durchgeführten Untersuchung, oder (c) im Einklang mit der gesetzlichen Verpflichtung des Auftragnehmers, Informationen bereitzustellen.

Autorisierung zur Weitergabe von Lebenslauf und persönlichen Informationen: Indem Sie Ihr Interesse bekunden und Ihren Lebenslauf für diese Position einreichen, autorisieren Sie die DecisionPoint Corporation, Ihren Lebenslauf sowie die im Lebenslauf enthaltenen persönlichen Informationen an ihre Tochtergesellschaften, verbundenen Unternehmen und Teaming-Partner weiterzugeben, um Sie für diese Position und andere verfügbare Positionen zu berücksichtigen, die vergleichbare Fähigkeiten, Ausbildung und Erfahrung erfordern. Sollte die DecisionPoint Corporation oder ihre verbundenen Unternehmen und Teaming-Partner Vorgespräche zur Einstellung einleiten wollen, werden Sie gebeten, einen Einstellungsantrag und zugehörige Einstellungsunterlagen auszufüllen.

Aufgaben & Verantwortlichkeiten

Der AI/ML & MLOps Engineer wird:

Die Konzeption und Implementierung sicherer, skalierbarer und wartbarer produktiver machine learning-Architekturen leiten.

Trainings-, Validierungs- und Testdatensätze, die für die Modellentwicklung und -bewertung verwendet werden, entwickeln, pflegen und verwalten.

Wiederholbare Prozesse für die Aufnahme, Aufbereitung, Transformation, Kennzeichnung, Validierung, Versionierung und Genehmigung von Datensätzen etablieren.

Sicherstellen, dass Datensätze in analyse- und modellbereiten Formaten gepflegt oder transformiert werden.

Kontrollen für Datenqualität, Vollständigkeit, Integrität, Herkunft, Abstammung, Sicherheit und autorisierte Nutzung von Datensätzen implementieren.

End-to-End ML-Pipelines entwerfen und automatisieren, die Datenaufbereitung, Training, Evaluierung, Paketierung, Bereitstellung, Überwachung, Umschulung und Außerbetriebnahme abdecken.

machine learning-Modelle in genehmigten Cloud-, Anwendungs-, Analyse- und Betriebsumgebungen bereitstellen.

Automatisierte Verfahren für Modell-Build, Test, Validierung, Promotion, Bereitstellung, Rollback und Wiederherstellung etablieren.

Modell-Registries und kontrollierte Repositories für Modell-Artefakte, Datensatzversionen, Code, Konfigurationen, Abhängigkeiten, Evaluierungsergebnisse und Genehmigungen implementieren.

Automatisierte Tests für Modell-Pipelines, Datentransformationen, Schnittstellen, Bereitstellungspakete und das Verhalten in der Produktion entwickeln.

Frameworks zur Modellbewertung, Leistungsschwellenwerte, Validierungskriterien und Anforderungen an die Release-Bereitschaft definieren.

Modellgenauigkeit, Zuverlässigkeit, Robustheit, Leistung, Skalierbarkeit, Sicherheit und die Übereinstimmung mit dokumentierten Missionsanforderungen bewerten.

Produktionsüberwachung für Modellleistung, Datendrift, Konzeptdrift, Inferenzqualität, Latenz, Verfügbarkeit, Fehler und Ressourcennutzung implementieren.

Schwellenwerte, Warnmeldungen, Eskalationspfade und Reaktionsverfahren bei Modellverschlechterung, Drift, Datenqualitätsproblemen und Betriebsausfällen etablieren.

Modell- und Pipeline-Anomalien untersuchen und Korrekturmaßnahmen mit Daten-, Anwendungs-, Infrastruktur-, Sicherheits- und Missionsteams koordinieren.

Aktualisierungen an produktiven Modellen, Datensätzen, Features, Pipelines, Konfigurationen und Abhängigkeiten durch dokumentierte Überprüfungs- und Genehmigungsprozesse steuern.

Die Rückverfolgbarkeit zwischen Quelldatensätzen, Datentransformationen, Modellversionen, Evaluierungsergebnissen, Bereitstellungsaufzeichnungen und Produktionsergebnissen aufrechterhalten.

Rollback- und Wiederherstellungsverfahren für Modelle, Datensätze, Pipelines und unterstützende Dienste entwickeln.

Sichere Datenpipelines unterstützen, die für die KI-Entwicklung, Modellbewertung, Bereitstellung, Überwachung und betriebliche Entscheidungsunterstützung verwendet werden.

Technische Kontrollen zur Unterstützung der Modell- und Datengovernance implementieren, einschließlich Versionskontrolle, Trennung von Umgebungen, Genehmigungsgates, Revisionsfähigkeit und Änderungsmanagement.

Revisionsbereite Dokumentation pflegen, die Modellzweck, Trainingsdaten, Evaluierungsmethoden, Einschränkungen, Abhängigkeiten, Genehmigungen, Änderungen, Leistung und bekannte Risiken abdeckt.

Die Evaluierung und Prüfung von Modellausgaben unterstützen, um ungenaue, nicht unterstützte oder unerwartete Ergebnisse zu identifizieren.

Dabei helfen, Prüfpunkte für menschliche Überprüfungen und Eskalationsverfahren für Modellausgaben zu etablieren, die sich wesentlich auf Missions- oder betriebliche Entscheidungen auswirken könnten.

Die Einhaltung geltender Anforderungen der Regierung an Datenverarbeitung, Cloud-Sicherheit, Cybersicherheit und operationelle Risiken unterstützen.

Workflows für Modellentwicklung und -bereitstellung mit Continuous Integration, Continuous Delivery, automatisierten Tests, Infrastructure-as-Code, Überwachung und Incident-Management-Funktionen integrieren.

Mit Cybersecurity-Teams zusammenarbeiten, um Schwachstellen, Zugriffskontrollen, Secrets Management, Softwareabhängigkeiten, Protokollierung, Verschlüsselung und Autorisierungsanforderungen zu adressieren.

Sich mit Data-Warehouse- und Data-Engineering-Teams bezüglich Datenmodellen, Metadaten, Extract-Transform-Load-Prozessen, Datenqualität und geregeltem Zugriff koordinieren.

Technische Führung, Architekturberatung, Code- und Design-Reviews, Unterstützung bei der Fehlerbehebung und Wissenstransfer bereitstellen.

Architekturdiagramme, Dokumentation zum Modelllebenszyklus, Bereitstellungsverfahren, Überwachungspläne, Testergebnisse, Betriebsanleitungen und technische Berichte erstellen.

Modellleistung, Drift, Risiken, Vorfälle, Korrekturmaßnahmen und den Bereitstellungsstatus an technische Teams, Regierungsvertreter und die Programmleitung kommunizieren.

Qualifikationen

Erforderliche Qualifikationen

Kandidaten müssen alle folgenden Anforderungen erfüllen:

Aktive Secret-Sicherheitsfreigabe oder höher.

Bachelor-Abschluss in Informatik, Data Science, Mathematik, Ingenieurwesen oder einem verwandten Bereich oder eine zulässige gleichwertige Qualifikation.

Mindestens 12 Jahre relevante Berufserfahrung.

Erfahrung in der Leitung der Architektur von produktiven machine learning-Systemen.

Erfahrung im Entwurf und Betrieb von produktiven ML- oder MLOps-Umgebungen.

Erfahrung in der Entwicklung und Pflege von Trainings-, Validierungs- und Testdatensätzen.

Erfahrung in der Etablierung von Methoden zur Modellbewertung, Leistungsmessungen, Validierungskriterien und Akzeptanzschwellenwerten.

Erfahrung in der Bereitstellung von machine learning-Modellen in Produktionsumgebungen.

Erfahrung in der Automatisierung von Modell-Build-, Test-, Bereitstellungs-, Promotions-, Rollback- oder Umschulungsprozessen.

Erfahrung in der Implementierung der Überwachung von Modell- und Datendrift.

Erfahrung mit Modell-Governance und Data Governance.

Erfahrung in der Kontrolle von Aktualisierungen für Modelle, Datensätze, Pipelines und Konfigurationen.

Erfahrung mit cloudbasierten machine learning-Plattformen oder produktiven Cloud-Architekturen.

Erfahrung in der Implementierung der Versionierung von Modellen, Datensätzen, Code, Artefakten und Konfigurationen.

Erfahrung im Aufbau oder der Integration von automatisierten Tests, Continuous Integration und Continuous Delivery für machine learning-Systeme.

Erfahrung in der Überwachung der Leistung, Zuverlässigkeit und betrieblichen Gesundheit von produktiven Modellen.

Verständnis von sicheren Datenpipelines, Zugriffskontrollen, Audit-Protokollierung, Verschlüsselung, Secrets Management und Sicherheit der Software-Lieferkette.

Fähigkeit, die Rückverfolgbarkeit über Datensätze, Transformationen, Modellversionen, Evaluierungsergebnisse, Bereitstellungen und betriebliche Ergebnisse hinweg zu etablieren.

Fähigkeit, Modelleinschränkungen, Leistung, Drift, Risiken, Vorfälle und Korrekturmaßnahmen zu dokumentieren und zu kommunizieren.

CompTIA Security+ CE oder eine andere anerkannte IAT Level II-Zertifizierung.

Bevorzugte Qualifikationen

Die folgenden Qualifikationen sind wünschenswert, aber nicht erforderlich:

AWS Certified Machine Learning Engineer - Associate oder eine vergleichbare machine learning-Plattformzertifizierung.

Fortgeschrittene AWS-, Microsoft Azure-, Google Cloud-, Databricks- oder vergleichbare Cloud-Architektur- oder Data-Engineering-Zertifizierung.

Erfahrung in der Unterstützung von Programmen des Bundes oder des Verteidigungsministeriums.

Erfahrung im Betrieb von machine learning-Funktionen in regulierten, kontrollierten oder geschäftskritischen Umgebungen.

Erfahrung mit MLflow, Amazon SageMaker, Azure Machine Learning, Google Vertex AI, Databricks, Kubeflow oder vergleichbaren Plattformen.

Erfahrung mit Containerisierung, Kubernetes, Infrastructure as Code und Cloud-nativen Bereitstellungsmustern.

Erfahrung in der Implementierung von Feature Stores, Modell-Registries, Metadaten-Repositories, Experiment-Tracking oder Tools zur Datenherkunft.

Erfahrung mit Observability-Plattformen, automatisierter Alarmierung, Incident Response und Production Reliability Engineering.

Vertrautheit mit verantwortungsvoller KI, Erklärbarkeit, Ausgabevalidierung, menschlicher Aufsicht, Bias-Evaluierung und Praktiken des Modellrisikomanagements.

Vertrautheit mit DoD Impact Level 4 oder vergleichbaren Anforderungen der Regierung an Cloud- und Datenschutz.

Erfahrung mit analytischen Modellen, generativer KI, Retrieval-Workflows oder agentenbasierten KI-Systemen.

Erfahrung in der Leitung von technischen Teams, Architektur-Reviews oder funktionsübergreifenden ML-Bereitstellungsinitiativen.

Sprachen

AI/ML & MLOps Engineer (SME)

Überblick

Fähigkeiten

Unsere Richtlinie zur Chancengleichheit

Aufgaben & Verantwortlichkeiten

Qualifikationen

Erforderliche Qualifikationen

Bevorzugte Qualifikationen

Weiter entdecken

Dein nächster Jobsucht schon nach dir.

Mehr Möglichkeiten mit einem Profil

IT-Supportspezialist

Senior Windows Engineer

Systemadministrator