Weiterentwicklung leistungsstarker Computer-Vision-Architekturen zur Erkennung und Diagnose medizinischer Befunde in komplexen radiologischen Datensätzen (MRT, CT).
Konzeption und Implementierung rigoroser Validierungsframeworks zur Sicherstellung von Modellrobustheit, klinischer Wirksamkeit und Konformität mit Standards der Medizinprodukte-Zertifizierung.
Entwicklung von Lösungen mit klinischem Vertrauen im Fokus, insbesondere durch Modellinterpretierbarkeit und Unsicherheitsquantifizierung, um umsetzbare Erkenntnisse für medizinisches Fachpersonal zu liefern.
Optimierung skalierbarer ML-Pipelines in einer modernen Docker
und AWS-Umgebung, um einen reibungslosen Übergang von experimenteller Forschung zu produktionsreifen Deployments zu gewährleisten.

Promotion oder Masterabschluss in Informatik, Machine Learning, Ingenieurwesen, Mathematik oder einem verwandten quantitativen Fachgebiet.
Mindestens 3 Jahre Industrieerfahrung mit klarem Fokus auf Computer Vision für medizinische Anwendungen.
Sehr gute Kenntnisse in Python und PyTorch sowie ein tiefes Verständnis medizinischer Bildverarbeitungstechniken und relevanter Datenformate.
Fundierte theoretische und praktische Kenntnisse moderner Computer-Vision-Architekturen für 3D-Bildsegmentierung und Objekterkennung (z. B. CNNs, ViTs).
Erfahrung in mindestens zwei der folgenden Bereiche: Self-supervised oder semi-supervised Learning.
Computer-Vision-Foundation-Modelle
Anomalieerkennung
Active Learning
Nachgewiesene Fähigkeit, an großen Codebasen zu arbeiten und komplexe Datensätze in einem kollaborativen Umfeld zu handhaben.
Starkes Commitment zu soliden Software-Engineering-Praktiken, einschließlich Versionskontrolle (Git), Unit-Tests, CI/CD sowie dem Schreiben von sauberem, wartbarem Code.

Machine Learning Engineer

Key skills