Ihre Suche nach MLOps & Machine Learning Jobs

MLOps ist in erster Linie eine Disziplin des Production Engineering. Softwareentwicklungserfahrung mit echtem ML-Bezug zählt daher meist mehr als akademische Abschlüsse; ein Forschungshintergrund ist vor allem in Rollen gefragt, die nah an der Modellarchitektur selbst liegen. Deutsche Arbeitgeber stellen Kandidaten ein, die ein zuverlässiges System ausliefern und betreiben können – und eine anerkannte Cloud-Zertifizierung für AWS, Azure oder GCP bringt einen Lebenslauf eher durch das von der Personalabteilung geführte Screening als eine Forschungsarbeit.

Software Engineering, Data Engineering und Data Science sind – ungefähr in dieser Reihenfolge – die besten Ausgangspunkte, und nicht wenige der Software Engineers, die wir vermitteln, sind über eine Ausbildung zum Fachinformatiker statt über ein Studium eingestiegen. Python, eine Cloud-Plattform und Docker sind die Grundlage, die fast jeder Arbeitgeber erwartet – selbst auf Junior-Level.

Produktionserfahrung ist ohne kommerzielle Praxis am schwersten nachzuweisen: Ein Modell, das nur in einem Notebook trainiert wurde, hebt Sie nicht ab. Wer dagegen etwas bereitstellt, überwacht und repariert, wenn es ausfällt, bekommt den Fuß in die Tür. Arbeitgeber suchen vor allem Urteilsvermögen – etwa echten Drift von bloßem Rauschen zu unterscheiden. Ein gut dokumentierter realer Vorfall kommt im Vorstellungsgespräch meist besser an als eine Liste von Tools, denn Hiring Manager werten ein klares Postmortem als Zeichen technischer Reife.

Python ist hier nahezu universell. Was einen starken MLOps oder Machine Learning Engineer jedoch von einem Data Scientist unterscheidet, der programmieren kann, ist die Disziplin des Production Engineering: die Fähigkeit, ein System zu entwerfen, das weiter funktioniert, wenn sich die zugrunde liegenden Daten ändern. Diese Fähigkeiten sehen wir durchgängig in den Anforderungen, mit denen wir arbeiten:

• Python: die Standardsprache in nahezu allen Bereichen des Stacks, vom Modelltraining bis zur Pipeline-Orchestrierung
• Docker und Containerisierung: Modelle und ihre Abhängigkeiten so verpacken, dass sie überall gleich laufen – vom Laptop bis zur Produktion
• Cloud Computing: Amazon Web Services ist nach wie vor die am häufigsten gefragte Plattform, doch auch Azure und Google Cloud kommen regelmäßig vor – eine anerkannte Cloud-Zertifizierung hat hierzulande beim Screening von Lebensläufen echtes Gewicht
• MLOps-Plattformen und Tools: MLflow, Kubeflow und ähnliche Tools, um Experimente nachzuverfolgen, Modelle zu versionieren und die Deployment-Pipeline zu steuern
• Modellbewertung und Monitoring: messen, ob ein Modell auch im Live-Betrieb noch die erwartete Leistung bringt – nicht nur zum Zeitpunkt des Tests
• Systemdesign: eine Architektur, die Fehler souverän abfängt, mit der Nachfrage skaliert und nicht jedes Mal neu aufgebaut werden muss, wenn ein neuer Modelltyp hinzukommt
• Grundlagen des Software Engineering: Versionskontrolle, Tests und Code-Review-Disziplin, angewendet genau so, wie es ein Software-Engineering-Team tun würde
• Frontend- und Backend-Verständnis: nützlich und teils unverzichtbar für plattformnahe Rollen, in denen die Tools entstehen, mit denen andere Teams ihre eigenen Modelle bereitstellen und überwachen
• Kenntnisse in Compiler- und Modelloptimierung: zunehmend wertvoll für Inferenzgeschwindigkeit und Edge Deployment – ein echtes Wachstumsfeld, da ein großer Teil der Nachfrage aus der deutschen Fertigungs- und Automobilindustrie inzwischen auf On-Device-Inferenz für Fabrik- und Fahrzeugsysteme entfällt, wenn auch weiterhin eine Spezialanforderung und keine allgemeine Voraussetzung
• Governance und regulatorisches Verständnis: DSGVO und BDSG sowie zunehmend die Pflichten des EU AI Act für eingesetzte Hochrisikosysteme, denn MLOps Engineers sind oft diejenigen, die die Systeme betreiben, für die diese Regulierung gilt
• Entscheidungen unter Unsicherheit: erkennen, wann ein Leistungsabfall eines Modells echter Drift ist, der Handeln erfordert, und wann es sich um Rauschen handelt – eine Einschätzung, die Ihnen kein Dashboard abnehmen kann

Generative künstliche Intelligenz (KI) hat dem Ganzen eine neue Ebene hinzugefügt. Engineers, die wissen, wie man Large Language Models bereitstellt, bewertet und überwacht – statt nur eine API aufzurufen und auf das Beste zu hoffen –, erzielen derzeit einen deutlichen Gehaltsaufschlag. Und dieser wächst weiter, da die Pflichten des EU AI Act für General-Purpose- und Hochrisikosysteme von 2025 bis 2027 schrittweise in Kraft treten.

MLOps und Machine Learning Engineers in Deutschland verdienen zwischen etwa 48.000 € auf Junior-Level und über 155.000 € in Rollen mit Bereichsverantwortung („Head of“). Diese Spezialisierung erzielt auf nahezu jeder Karrierestufe einen deutlichen Aufschlag gegenüber dem allgemeinen Data Engineering: Aktuelle Gehaltsdaten beziffern das durchschnittliche MLOps-Gehalt in Deutschland auf rund 72.500 € – deutlich über dem Durchschnitt von 56.000 € bis 58.000 €, der für allgemeine Data-Engineering- und Machine-Learning-Engineer-Rollen gemeldet wird.

Die Tagessätze für Contracting in dieser Spezialisierung liegen an der Spitze des deutschen Freelance-Markts im Datenbereich: Erfahrene Machine-Learning- und MLOps-Freiberufler erzielen durchschnittlich knapp 787 € pro Tag, echte Spezialisten 1.500 € bis über 1.800 €. Das ist spürbar mehr als bei allgemeinen Data-Engineering-Projekten und zeigt, wie wenige Kandidaten ein Modell wirklich durchgängig von der Forschung bis in den zuverlässigen Produktivbetrieb bringen können.

Stuttgart und München bieten in dieser Spezialisierung den deutlichsten Gehaltsaufschlag aller Regionen, in denen wir rekrutieren: bis zu rund 110.000 € auf Senior-Level gegenüber eher 82.000 € im übrigen Deutschland. Wirklich starke MLOps-Talente sind überall so knapp, dass gute Kandidaten selten lange auf dem Markt bleiben – ganz gleich, wo sie leben.

In der Praxis geringer, als die Jobtitel vermuten lassen. Ein Machine Learning Engineer verantwortet in der Regel das Modell selbst – er entwickelt, trainiert und bewertet es, oft bis zum ersten produktiven Deployment. Ein MLOps Engineer verantwortet in der Regel alles, was danach im Live-Betrieb dazugehört: Deployment-Pipeline, Infrastruktur, Monitoring, automatisiertes Retraining und die Zuverlässigkeit der gesamten Plattform – einschließlich CI/CD, Drift-Monitoring, Infrastruktur für mehrere Modelle und Teams sowie Incident Response, wenn etwas ausfällt.

In kleineren Teams und Scale-ups nach Berliner Vorbild verschmelzen beide Rollen meist in einer Person, weshalb Stellenausschreibungen die Titel oft synonym verwenden. In größeren, reiferen deutschen Unternehmen ist die Trennung dagegen meist echt – teils sogar formal, wenn der Titel einer bestimmten Entgeltgruppe zugeordnet ist und nicht nur eine Beschreibung darstellt.

Verantwortungsbereich und Seniorität bestimmen das Gehalt weit stärker als der Titel in der Ausschreibung. Deshalb beginnen wir bei dem, was Sie im Arbeitsalltag tatsächlich tun – nicht bei der Bezeichnung in Ihrem Lebenslauf.