Die Revolution der menschenzentrierten Zahlungen wird von Trustly angeführt. Für uns bedeutet dies, mit Leidenschaft die praktischste, klügste und verantwortungsvollste Online-Zahlungsmethode zu entwickeln. Wir alle sind für eine bessere Zahlungsmethode, sei es für Online-Spiele, Einkäufe, Abonnementzahlungen, Handelskontofinanzierung, Flugreservierungen und vieles mehr. Wir sind im Grunde ein Technologieunternehmen mit hochmodernen technologischen Fähigkeiten. Wir werden daher immer einen unersättlichen Wunsch nach Innovation haben. Trustly verbindet Hunderte Millionen Verbraucher mit Tausenden von Unternehmen und wächst kontinuierlich. Und als wirklich globale Belegschaft führen wir die menschenzentrierte Zahlungsrevolution mit einer bedeutenden Präsenz in ganz Europa und Amerika an.
Bezüglich des Datenbereichs Mit dem Ziel, Trustly zu einem wirklich datengesteuerten Unternehmen zu machen, ist der Datenbereich eine Komponente der Produkt- und Technologiefunktion. Wir sind für jeden Aspekt der Datenreise verantwortlich, von der Erfassung und Modellierung bis hin zur Analyse und Visualisierung. Wir liefern dem gesamten Unternehmen Daten- und Analyseartefakte mit dem Ziel, unsere Abläufe, Entscheidungsfindung und Kundenerfahrung zu verbessern.
Zur Stelle:

Für unser Machine Learning-Team suchen wir einen talentierten Machine Learning Engineer. Die Aufgabe eines Machine Learning Engineers besteht darin, Machine Learning-Modelle zu erstellen und zu implementieren, die wichtige Geschäftsentscheidungen innerhalb unserer Produktservices unterstützen und automatisieren. Die Arbeit an hochmodernen Machine Learning-Anwendungen, die Zusammenarbeit mit einem multidisziplinären Team und die Verantwortung für ganze Machine Learning-Lebenszyklen sind alles Möglichkeiten, die auf Sie warten. Wir würden uns freuen, Sie an Bord zu haben, wenn Sie ein starkes Interesse an ML und KI, der Lösung von Problemen und der Entwicklung skalierbarer Lösungen haben.

Was Sie tun werden:

Modellerstellung und -verbesserung: Erstellen Sie mithilfe von Merkmalsauswahl, Hyperparameter-Tuning und Modell-Lebenszyklusmanagement End-to-End-Pipelines, um Machine Learning-Modelle in kommerziellen Umgebungen zu implementieren und die Modellleistung im Laufe der Zeit zu verbessern.

Datenpipeline-Design und -Management: Um qualitativ hochwertige, nahezu Echtzeit-Eingaben für Machine Learning-Modelle zu gewährleisten, erstellen und verwalten Sie effektive Datenpipelines für die Datenerfassung, Vorverarbeitung und Merkmalstransformation.Leistungsüberwachung: 
Um eine hohe Modellleistung über einen längeren Zeitraum aufrechtzuerhalten, verfolgen und bewerten Sie die Funktionsabweichung und die Leistung der bereitgestellten Modelle, stellen Sie sicher, dass sie die Geschäftsanforderungen erfüllen, und nehmen Sie alle erforderlichen Anpassungen vor.
Teamübergreifende Zusammenarbeit:
Um Geschäftsanforderungen zu verstehen und in skalierbare Produkte für maschinelles Lernen umzuwandeln, arbeiten Sie mit Datenwissenschaftlern, Softwareentwicklern, Architekten und Produktmanagern zusammen.
Bleiben Sie auf dem Laufenden über die neuesten Entwicklungen in der KI- und maschinellen Lerntechnologie und nutzen Sie neue Ansätze und Ressourcen, um die Effizienz Ihrer Arbeit zu verbessern.
Wer Sie sind
Erfahrung:
Sie haben mehr als fünf Jahre lang Modelle für maschinelles Lernen in einer Produktionsumgebung mit nahezu Echtzeitlatenz entwickelt und implementiert.
Ausbildung:
Sie verfügen über einen Masterabschluss in Mathematik, Informatik, Ingenieurwissenschaften oder einer ähnlichen Disziplin.
Technische Kompetenz:

Fähigkeit, Python, Java oder C++ als Programmiersprachen zu verwenden.
Vertrautheit mit Machine-Learning-Frameworks wie PyTorch, MLFlow, TensorFlow, Keras, Sagemaker und anderen.
Gute Kenntnisse in Statistik, Optimierungsmethoden und Machine-Learning-Algorithmen.
Vertrautheit mit CI/CD-Pipelines für Modellbereitstellung, Infrastruktur als Code, Modelllebensdauer und ML-Operationen.
Kenntnisse von Cloud-Computing-Systemen wie AWS und Google Cloud und die Fähigkeit, die Bereitstellung von Machine-Learning-Modellen auf diesen Plattformen zu erweitern.
Vertrautheit mit verteiltem Computing und Big-Data-Tools (wie Spark und Apache Beam/Flink)
Vertrautheit mit Kafka (oder vergleichbaren) Streaming-Datenpipelines
Vertrautheit mit Containerisierungstools (wie Docker) und Versionskontrollsystemen (wie Git).
Erfahrung im Open Banking ist wünschenswert, aber nicht erforderlich.
Sind Sie der Typ Mensch, der sich für neue Ideen einsetzt und aktiv wird? Halten Sie eine effektive Kommunikation mit allen Beteiligten für wichtig? Wir möchten das Team mit engagierten, motivierten Personen verstärken, die gerne mit verschiedenen Abteilungen im gesamten Unternehmen zusammenarbeiten.
Wenn Sie meinen, dass Ihre Fähigkeiten und Ihre Persönlichkeit die oben genannten Kriterien ergänzen, bewerben Sie sich jetzt und senden Sie bitte Ihren Lebenslauf in englischer Sprache ein.