Stellenbeschreibung für MLOps Engineer (Vorlage + Fähigkeiten)
Turn this article into takeaways for your work.
Each assistant summarizes the article only for you and suggests best practices for your work.
Eine gut formulierte Stellenbeschreibung für MLOps Engineer entscheidet darüber, ob Sie Kandidaten anziehen, die tatsächlich ML-Systeme in Produktion bringen können, oder solche, die bisher nur Modelle in Jupyter-Notebooks trainiert haben. MLOps ist eine Disziplin, die an der Schnittstelle von Machine Learning, Software-Engineering und Infrastrukturbetrieb liegt, und sie ist noch jung genug, dass viele Recruiting-Teams vage Beschreibungen schreiben, die die falschen Kandidaten anziehen.
Dieser Leitfaden bietet Ihnen eine vollständige Vorlage, eine klare Aufschlüsselung der Fähigkeiten, Gehaltsbenchmarks und einen Vergleich verwandter Rollen, damit Ihr Team die richtige Person gleich beim ersten Mal einstellt.
Was macht ein MLOps Engineer?
Ein MLOps Engineer verantwortet die operative Seite des Machine Learning. Während sich Data Scientists auf den Aufbau und die Verbesserung von Modellen konzentrieren, sorgen MLOps Engineers dafür, dass diese Modelle in der Produktion tatsächlich zuverlässig funktionieren: Sie werden pünktlich bereitgestellt, liefern konstante Leistung, skalieren unter Last und lassen sich ohne Zwischenfälle aktualisieren oder zurückrollen.
Die Disziplin schöpft sowohl aus dem DevOps Engineering als auch aus dem klassischen ML Engineering. Vom DevOps übernimmt sie CI/CD-Pipelines, Infrastructure-as-Code und Observability-Praktiken. Vom ML übernimmt sie das Verständnis für Trainings-Workflows, Feature Engineering, Modellversionierung und die statistischen Eigenheiten (wie Data Drift), die ML-Systeme auf eine Weise scheitern lassen, wie es bei gewöhnlicher Software nicht vorkommt.
Ein erfahrener MLOps Engineer übernimmt in der Regel den gesamten Modell-Lebenszyklus: vom Moment, in dem ein Data Scientist ein trainiertes Modell übergibt, über Containerisierung, automatisiertes Testing, gestaffeltes Deployment, Produktions-Monitoring und Retraining-Trigger bis hin zur schließlichen Ausmusterung. In kleineren Teams bauen und pflegen sie zudem den Feature Store und die Experiment-Tracking-Infrastruktur, die Data Scientists vorgelagert nutzen.
Wichtige Fakten
- MLOps zählt zu den am schnellsten wachsenden Spezialisierungen im AI Engineering: Die Zahl der Stellenausschreibungen hat sich zwischen 2021 und 2024 etwa verdreifacht, da Unternehmen von ML-Experimenten zu produktivem Deployment im großen Maßstab übergegangen sind (LinkedIn Workforce Report, 2024).
- Die Mehrheit der ML-Projekte in Unternehmen schafft es nicht bis in die Produktion. Als Hauptursache gelten Lücken bei Infrastruktur und Operationalisierung. MLOps-Rollen existieren genau deshalb, um diese Lücke zu schließen (Gartner, 2023).
- Die mittlere Gesamtvergütung für MLOps Engineers auf mittlerer Erfahrungsstufe liegt in den USA je nach Standort und Tech-Stack bei etwa $145.000 bis $185.000, wobei Senior-Rollen bei großen Tech-Unternehmen deutlich über $200.000 erreichen (Levels.fyi, 2025).
Aufgaben eines MLOps Engineers
Verantwortet Trainings- und Deployment-Pipelines, Serving, Monitoring, Drift-Reaktion, Registries, Feature-Konsistenz und Infrastruktur-Automatisierung.
- CI/CD-Pipelines aufbauen und pflegen, die speziell für ML-Workflows konzipiert sind, einschließlich automatisiertem Modelltraining, Evaluierungs-Gates und gestaffelten Rollouts.
- Modelle mithilfe von Containerisierung (Docker) und Orchestrierung (Kubernetes) in Produktion bringen und die Serving-Infrastruktur sowohl für Batch- als auch für Echtzeit-Inferenz verwalten.
- Live-Modelle auf nachlassende Genauigkeit, Data Drift und Concept Drift überwachen. Alerting und automatisierte Retraining-Pipelines einrichten, wenn die Leistung unter definierte Schwellenwerte fällt.
- Feature Stores entwerfen und betreiben, um eine konsistente, reproduzierbare Feature-Berechnung zwischen Trainings- und Serving-Umgebungen sicherzustellen.
- Modell-Registries und Versionierungssysteme (MLflow, Weights and Biases oder vergleichbar) verwalten, damit Teams jeden früheren Modellzustand reproduzieren und Experimentergebnisse vergleichen können.
- Infrastructure-as-Code (Terraform, Pulumi oder cloud-native IaC) schreiben, um ML-Trainingscluster, Serving-Endpunkte und Daten-Pipelines bereitzustellen und zu verwalten.
- Mit Data Scientists zusammenarbeiten, um Modellcode auf Produktionsreife zu prüfen: Speicherbedarf, Latenzprofil, Fehlerbehandlung und Logging.
- Mit Data Engineers zusammenarbeiten, um sicherzustellen, dass Trainingsdaten-Pipelines zuverlässig, versioniert und auditierbar sind.
- SLAs für das Model Serving definieren und durchsetzen: Verfügbarkeit, Latenz-Perzentile und Durchsatzziele.
- Incident Response bei ML-bezogenen Produktionsproblemen leiten, einschließlich Rollbacks, Shadow Deployments und A/B-Testing-Setups.
Anforderungen und Qualifikationen
Achten Sie auf Produktions-Python, ML-Orchestrierung, Container, Cloud-Infrastruktur, CI/CD, Observability und kollaboratives Debugging.
Erforderliche Fähigkeiten und Erfahrung
- 3+ Jahre Erfahrung im Software Engineering, davon mindestens 2 Jahre mit ML-Systemen in Produktion.
- Ausgeprägte Python-Kenntnisse. Sie schreiben produktionsreifen Code, nicht nur Skripte.
- Praktische Erfahrung mit mindestens einem gängigen ML-Orchestrierungstool: Kubeflow, MLflow, Metaflow, Airflow für ML-Workflows oder Vertex AI Pipelines.
- Sicherer Umgang mit Containern und Orchestrierung: Docker für das Packaging, Kubernetes für Deployment und Skalierung.
- Erfahrung mit Cloud-Plattformen: AWS (SageMaker, EKS, S3), Google Cloud (Vertex AI, GKE) oder Azure (Azure ML, AKS). Multi-Cloud-Erfahrung ist von Vorteil.
- Verständnis von CI/CD-Prinzipien und Erfahrung darin, sie an ML-spezifische Workflows anzupassen (Dataset-Versionierung, Modellevaluierung als Pipeline-Gate usw.).
- Vertrautheit mit Observability-Tools: Prometheus, Grafana oder cloud-native Äquivalente, um Modell-Performance-Metriken zusammen mit Infrastrukturmetriken zu erfassen.
- Solides Verständnis von Konzepten verteilter Systeme, die für ML Serving relevant sind: Load Balancing, horizontale Skalierung, Caching und Latenzbudgets.
Wünschenswert
- Erfahrung mit der Verwaltung von GPU-Clustern für Trainings-Workloads.
- Kenntnisse von Feature-Store-Plattformen (Feast, Tecton oder cloud-native Äquivalente).
- Hintergrund im Data Engineering: Spark, dbt oder Streaming-Pipelines (Kafka, Pub/Sub).
- Vertrautheit mit Responsible-AI-Praktiken: Model Cards, Bias-Auditing, Explainability-Tools.
- Vorerfahrung mit LLM-Deployment und -Serving (vLLM, TGI oder ähnliche Inferenz-Frameworks).
- Beiträge zu Open-Source-MLOps-Tools.
Ausbildung
Die meisten Teams akzeptieren einen Bachelor-Abschluss in Informatik, Software Engineering oder einem verwandten Fach. Gleichwertige praktische Erfahrung mit produktiven ML-Systemen wird ebenso geschätzt. Einen einheitlichen Zertifizierungspfad für MLOps gibt es bisher nicht, wobei Cloud-ML-Zertifizierungen (AWS ML Specialty, Google Professional ML Engineer) als nützliche Signale gelten.
Vorlage für die Stellenbeschreibung eines MLOps Engineers
Zusammenfassung der Rolle
[Firmenname] sucht einen MLOps Engineer, der unsere Machine-Learning-Modelle von der Experimentierphase in zuverlässige Produktionssysteme überführt. Sie arbeiten eng mit Data Scientists und Platform Engineers zusammen, um die Pipelines, die Infrastruktur und die Tools aufzubauen, die unsere Modelle im großen Maßstab präzise am Laufen halten. Dies ist eine praxisnahe technische Rolle mit echter Verantwortung für Produktionssysteme.
Wesentliche Aufgaben
- CI/CD-Pipelines für das Training, die Evaluierung und das Deployment von ML-Modellen entwerfen, aufbauen und pflegen.
- Modelle mit Docker, Kubernetes und cloud-verwalteter Serving-Infrastruktur bereitstellen und servieren.
- Produktionsmodelle auf Data Drift, Prediction Drift und nachlassende Serving-Qualität überwachen. Retraining- und Alert-Workflows automatisieren.
- Die Modell-Registry und das Experiment-Tracking-System verwalten, damit Teams Modellversionen reproduzieren, vergleichen und auditieren können.
- Feature-Store-Infrastruktur für eine konsistente Feature-Berechnung über Training und Serving hinweg entwickeln und pflegen.
- Infrastructure-as-Code für ML-Trainings- und Serving-Umgebungen schreiben.
- Data Scientists dabei unterstützen, Research-Modelle produktionsreif zu machen: Code reviewen, Schnittstellen definieren und Logging einrichten.
- Auf ML-Produktionsvorfälle reagieren und deren Lösung leiten.
Erforderliche Qualifikationen
- 3+ Jahre Erfahrung im Software Engineering, davon 2+ Jahre mit produktiven ML-Systemen.
- Sicherer Umgang mit Python für produktionsreifen Code.
- Erfahrung mit ML-Orchestrierung: Kubeflow, MLflow, Metaflow, Airflow oder vergleichbar.
- Erfahrung mit Containern: Docker und Kubernetes.
- Erfahrung mit Cloud-Plattformen: AWS, GCP oder Azure-ML-Dienste.
- CI/CD-Grundlagen angewandt auf ML-Workflows.
- Erfahrung mit Observability- und Monitoring-Tools.
Wünschenswerte Qualifikationen
- Erfahrung mit GPU-Clustern oder verteiltem Training.
- Erfahrung mit Feature-Store-Plattformen (Feast, Tecton).
- Hintergrund im Data Engineering (Spark, dbt, Streaming).
- Erfahrung mit LLM Serving (vLLM, TGI oder Ähnliches).
- Cloud-ML-Zertifizierung.
Was wir bieten
- [Gehaltsspanne: $X bis $Y je nach Erfahrung und Standort]
- Equity-Beteiligung
- Remote-/Hybrid-Arbeitsmodelle
- Weiterbildungsbudget für Zertifizierungen und Konferenzen
- Zugang zu modernster ML-Infrastruktur und Forschungspartnerschaften
Gehalt und Karriereaussichten
Der MLOps-Markt befindet sich noch in der Reifephase, weshalb die Gehaltsspannen je nach Unternehmensgröße, Standort, Komplexität des Tech-Stacks und dem Umfang der Überschneidung mit Platform Engineering stark variieren.
| Level | Typische Spanne (USA, 2025) |
|---|---|
| Junior (0-2 Jahre) | $110.000 bis $140.000 |
| Mid-Level (2-4 Jahre) | $145.000 bis $185.000 |
| Senior (5+ Jahre) | $185.000 bis $230.000 |
| Staff / Principal | $220.000 bis $280.000+ |
| Die Spannen umfassen das Grundgehalt und schließen Equity aus. Quelle: Levels.fyi und Branchenumfragen, 2025. |
Die Karriereentwicklung aus einer MLOps-Rolle verzweigt sich meist in zwei Richtungen. Der eine Weg führt in Richtung Machine Learning Engineering im eigentlichen Sinne, wo der Fokus stärker auf Modellforschung und -architektur liegt. Der andere Weg führt in Richtung ML Platform Engineering oder Infrastruktur-Leitung, näher an einem Site Reliability Engineer- oder Cloud Engineer-Hintergrund, jedoch spezialisiert auf ML-Workloads. Eine kleine Zahl erfahrener Praktiker wechselt in ML-Architekt-Rollen und entwirft die End-to-End-ML-Strategie für ein Unternehmen.
Die Nachfrage wächst weiter, da immer mehr Unternehmen über Proof-of-Concept-ML hinausgehen und operative Disziplin benötigen. Besonders gefragt ist die Rolle bei Unternehmen, die mehrere Modelle gleichzeitig in Produktion betreiben, wo manuelles Deployment und Monitoring nicht mehr tragfähig sind.
Verwandte Rollen und ihre Unterschiede
Hiring Manager verwechseln MLOps häufig mit angrenzenden Rollen. Der folgende direkte Vergleich hilft Ihnen zu entscheiden, welche Rolle Ihr Team tatsächlich braucht.
| Rolle | Hauptfokus | Einstellen, wenn |
|---|---|---|
| MLOps Engineer | Betrieb des ML-Lebenszyklus: CI/CD für Modelle, Deployment, Monitoring, Drift-Erkennung, Retraining-Pipelines | Sie Modelle in Produktion (oder kurz davor) haben und zuverlässiges, skalierbares Serving sowie laufende Modell-Gesundheit brauchen |
| Machine Learning Engineer | Aufbau und Verbesserung von ML-Modellen; Überführung von Forschungsergebnissen in wiederverwendbare produktive Systeme | Sie jemanden brauchen, der sowohl Modelle bauen als auch in Anwendungen integrieren kann, aber noch keine dedizierte ML-Infrastruktur haben |
| DevOps Engineer | Software-CI/CD, Infrastruktur-Automatisierung, Cloud-Provisioning, SRE-nah | Sie allgemeines Deployment und Infrastruktur-Automatisierung ohne ML-spezifische Anforderungen brauchen |
| Data Engineer | Daten-Pipelines, Speicherung, Transformation und Zuverlässigkeit der Daten, die in das ML-Training fließen | Ihr ML-Engpass die Datenqualität und Pipeline-Zuverlässigkeit vor dem Modelltraining ist, nicht das Modell-Deployment |
Eine praktische Faustregel: Wenn sich Ihr Team fragt: „Wie bringen wir dieses Modell zuverlässig in Produktion?", stellen Sie einen MLOps Engineer ein. Wenn die Frage lautet: „Wie bauen wir ein besseres Modell?", stellen Sie einen AI Engineer oder Machine Learning Engineer ein.
Häufig gestellte Fragen zur Stellenbeschreibung für MLOps Engineer
Was ist der Unterschied zwischen MLOps und DevOps?
DevOps konzentriert sich auf Software-Delivery-Pipelines: das Bauen, Testen und Deployen von Code. MLOps wendet dasselbe Denken auf Machine-Learning-Systeme an, ergänzt es aber um ML-spezifische Aspekte, die Software-CI/CD nicht abdeckt. Modelle verschlechtern sich auf eine Weise, wie es bei Code nicht der Fall ist (Data Drift, Concept Drift). Modell-„Testing" erfordert statistische Evaluierung, nicht nur Unit-Tests. Retraining ist ein Routinevorgang ohne Äquivalent in der Softwarewelt. Ein DevOps Engineer kann hervorragende Infrastruktur aufbauen, braucht aber in der Regel Anleitung von jemandem mit ML-Kenntnissen, um diese Aspekte korrekt zu handhaben.
Müssen MLOps Engineers wissen, wie man ML-Modelle baut?
Sie müssen keine ML-Forscher sein, brauchen aber genug ML-Wissen, um effektiv mit Data Scientists zusammenzuarbeiten. Das bedeutet: verstehen, wie Modelle trainiert werden, welche Hyperparameter wichtig sind, wie Evaluierungsmetriken funktionieren und was in der Produktion schiefgehen kann (Verschiebung der Datenverteilung, Label Drift, Serving Skew). Die besten MLOps Engineers können den Code eines Data Scientists reviewen und Produktionsrisiken vor dem Deployment erkennen.
Ist MLOps dasselbe wie ML Platform Engineering?
Beide überschneiden sich erheblich, sind aber nicht identisch. ML Platform Engineering konzentriert sich meist auf die gemeinsam genutzte interne Infrastruktur: den Feature Store, das Experiment-Tracking-System, den Trainingscluster, die Modell-Registry. MLOps ist breiter angelegt und umfasst häufig das Deployment einzelner Modelle, das Monitoring und die operativen Prozesse rund um bestimmte Modelle. In großen Unternehmen sind das getrennte Teams; in kleineren Unternehmen übernimmt eine Person beides.
Welche Cloud-Zertifizierungen sind für MLOps-Rollen relevant?
Am relevantesten sind die AWS Certified Machine Learning Specialty, der Google Cloud Professional Machine Learning Engineer und der Azure AI Engineer Associate. Diese decken cloud-spezifische ML-Tools und MLOps-Workflows auf der jeweiligen Plattform ab. Sie sind nützliche Signale, aber keine Voraussetzung. Praktische Erfahrung mit produktiven ML-Systemen zählt für die meisten Recruiting-Teams mehr.
Wie bewerten Sie MLOps-Kandidaten im Vorstellungsgespräch?
Konzentrieren Sie sich auf Produktionserfahrung, nicht nur auf ML-Wissen. Bitten Sie den Kandidaten, ein von ihm bereitgestelltes Modell zu beschreiben: wie das Monitoring eingerichtet wurde, was nach dem Launch schiefgelaufen ist und wie er damit umgegangen ist. System-Design-Fragen rund um Model-Serving-Pipelines, Feature-Store-Design und Retraining-Trigger zeigen, wie ein Kandidat operativ denkt. Auch die Frage nach seinem Ansatz für CI/CD im ML-Bereich, einschließlich der Frage, wie Deployments anhand von Modell-Performance-Metriken gegatet werden, ist ein weiteres verlässliches Signal.
Da ML-Systeme für den Betrieb von Unternehmen immer zentraler werden, verschaffen sich Teams, die zuverlässige, skalierbare Modell-Infrastruktur aufbauen, einen erheblichen operativen Vorteil. Eine gut geschriebene Stellenbeschreibung ist der Ausgangspunkt für diesen Vorteil: Sie bestimmt, wer sich bewirbt, wer ins Auswahlverfahren kommt und ob die eingestellte Person tatsächlich das kann, was die Rolle verlangt. Nutzen Sie diese Vorlage als Ausgangspunkt und passen Sie dann die Stack-Details und Senioritäts-Merkmale an Ihre tatsächliche Umgebung an.
Weitere Ressourcen zum Thema Recruiting finden Sie in unseren Leitfäden zu Stellenbeschreibungen für DevOps Engineers, Data Engineers und AI Engineers.
