Was macht ein AI Platform Engineer?
AI Platform Engineers stellen Data Scientists, ML-Entwicklern und Fachabteilungen eine Umgebung bereit, in der Modelle zuverlässig trainiert, getestet und betrieben werden können. Dazu gehören Kubernetes-Cluster mit GPU-Ressourcen, Pipelines für Training und Deployment, Model-Registries, Feature Stores und Schnittstellen, über die Anwendungen ein Modell abfragen. In Unternehmen, die große Sprachmodelle einsetzen, kommen Gateways für LLM-Zugriffe, Vektordatenbanken und die Anbindung an interne Datenquellen hinzu. Der Alltag besteht aus Infrastruktur als Code in Terraform oder Helm, Python- und Go-Skripten, Monitoring von Latenz, Auslastung und Kosten, der Fehlersuche bei fehlgeschlagenen Trainingsläufen und der Abstimmung mit Sicherheits- und Datenschutzverantwortlichen. Im Fahrzeugbau, wo viele dieser Stellen ausgeschrieben sind, geht es häufig um Plattformen für Fahrerassistenz und automatisiertes Fahren, die sehr große Mengen an Sensordaten verarbeiten, oder um KI-Anwendungen in Produktion, Qualitätssicherung und Verwaltung.
Wie wird man AI Platform Engineer?
Einen geregelten Ausbildungsweg gibt es nicht. Die meisten kommen über ein Studium der Informatik, Wirtschaftsinformatik, Elektrotechnik oder Mathematik und sammeln zunächst Erfahrung als DevOps Engineer, Cloud Engineer, Backend-Entwickler oder Data Engineer. Arbeitgeber erwarten in der Regel praktische Kenntnisse in Kubernetes, Containern, mindestens einer großen Cloud-Plattform und Python sowie ein Verständnis dafür, wie Modelle trainiert und ausgeliefert werden. Zertifikate von AWS, Azure, Google Cloud oder der Cloud Native Computing Foundation helfen beim Nachweis, ersetzen aber keine Projekterfahrung. Ein Quereinstieg ohne Studium ist möglich, setzt aber meist mehrere Jahre Berufspraxis im Betrieb von Infrastruktur voraus. Reine Berufsanfängerstellen sind selten.
Was der Beruf verlangt
Das Fachgebiet verändert sich schnell. Werkzeuge, Frameworks und Modellanbieter wechseln innerhalb weniger Monate, und wer nicht laufend dazulernt, verliert den Anschluss. Gleichzeitig tragen AI Platform Engineers Verantwortung für produktive Systeme: Fällt ein Modellendpunkt aus oder laufen die GPU-Kosten aus dem Ruder, muss schnell reagiert werden. In vielen Teams gibt es Rufbereitschaft. Die Arbeit ist überwiegend Bildschirmarbeit mit hoher Konzentration und viel Abstimmung, oft auf Englisch und mit Kollegen an anderen Standorten. In Konzernen der Automobilindustrie kommen lange Freigabeprozesse, Vorgaben zur Informationssicherheit nach TISAX und regulatorische Anforderungen wie der EU AI Act hinzu, die technische Lösungen verlangsamen. Wer gern selbst Modelle entwickelt, findet hier eher die Rolle des Ermöglichers als die des Forschers.
Aussichten
Die Nachfrage ist hoch, weil viele Unternehmen KI aus der Pilotphase in den Regelbetrieb bringen wollen und dafür stabile Plattformen brauchen. Fachkräfte mit Erfahrung in GPU-Infrastruktur, LLM-Betrieb und Sicherheitsfragen sind knapp. Allerdings hängt die Zahl der Stellen in der Automobilbranche auch von deren wirtschaftlicher Lage ab; Sparprogramme treffen Zukunftsprojekte mitunter zuerst. Entwicklungswege führen zum Lead oder Staff Engineer, in die Architektur von KI-Plattformen, ins Team- oder Produktmanagement für interne Plattformen oder in die Beratung.