Was macht ein Machine Learning Engineer?
Machine Learning Engineers sorgen dafür, dass Modelle nicht nur im Experiment funktionieren, sondern zuverlässig in einer Anwendung laufen. Sie bereiten Trainingsdaten auf, wählen Modellarchitekturen aus, trainieren und bewerten Modelle und schreiben den Code, der sie in Produkte einbindet. Dazu gehören Datenpipelines, Schnittstellen, Container und die Überwachung der Modelle im Betrieb: Verschlechtert sich die Vorhersagequalität, weil sich die Daten verändert haben, muss nachtrainiert werden. Seit dem Aufkommen großer Sprachmodelle verschiebt sich ein Teil der Arbeit vom eigenen Training hin zur Anpassung vorhandener Modelle, zum Aufbau von Retrieval-Systemen und zur Bewertung von Ausgaben. Der Alltag besteht zu großen Teilen aus Programmieren in Python, aus Code-Reviews, Abstimmungen mit Data Scientists, Backend-Entwicklern und Fachabteilungen sowie aus der Fehlersuche in Datenbeständen, die selten so sauber sind, wie sie sein sollten.
Wie wird man Machine Learning Engineer?
Eine geregelte Ausbildung gibt es nicht. Üblich ist ein Studium der Informatik, Mathematik, Physik, Statistik oder eines technischen Fachs, häufig mit Master, in forschungsnahen Stellen auch mit Promotion. Inzwischen bieten viele Hochschulen eigene Studiengänge oder Schwerpunkte in Data Science und künstlicher Intelligenz an. Ein Quereinstieg gelingt vor allem aus der Softwareentwicklung oder dem Data Engineering, wenn solide Kenntnisse in Statistik und Modelltraining nachgewiesen werden können, etwa durch eigene Projekte, Open-Source-Beiträge oder Zertifikate von Cloud-Anbietern. Kurze Weiterbildungen ohne technisches Vorwissen reichen für den Einstieg in der Regel nicht aus.
Was der Beruf verlangt
Der Beruf verlangt die Bereitschaft, ständig dazuzulernen. Werkzeuge, Bibliotheken und Modelle ändern sich innerhalb weniger Monate, und wer nicht laufend Fachliteratur und neue Verfahren verfolgt, verliert schnell den Anschluss. Viele Projekte sind ergebnisoffen: Ob ein Modell die gewünschte Qualität erreicht, zeigt sich oft erst nach Wochen, und manche Ansätze scheitern ganz. Das erfordert Frustrationstoleranz und die Fähigkeit, Unsicherheit gegenüber Vorgesetzten und Kunden klar zu benennen. Die Arbeitszeiten sind meist geregelt, vor Produktstarts oder bei Störungen im Betrieb kann es aber zu Mehrarbeit und Rufbereitschaft kommen. Hinzu kommt Verantwortung: Modelle können diskriminierende oder fehlerhafte Entscheidungen treffen, und mit dem europäischen KI-Gesetz wachsen die Anforderungen an Dokumentation und Nachvollziehbarkeit. Die Arbeit ist überwiegend Bildschirmarbeit mit langen Phasen konzentrierten Sitzens.
Aussichten
Die Nachfrage ist hoch, vor allem nach Fachkräften mit Berufserfahrung, die Modelle tatsächlich in den Betrieb gebracht haben. Für Berufseinsteiger ist der Markt enger geworden, weil viele Unternehmen erfahrene Leute suchen und die Zahl der Absolventen mit KI-Schwerpunkt gestiegen ist. Gesucht wird in der IT-Branche, in der Industrie, bei Banken und Versicherungen, im Handel und im Gesundheitswesen. Entwicklungswege führen zur Spezialisierung, etwa auf Sprachmodelle, Bildverarbeitung oder MLOps, in die Rolle eines technischen Leiters oder Architekten oder in die Forschung. Manche wechseln in die Beratung oder machen sich als freiberufliche Spezialisten selbstständig.