Stellenbeschreibung Machine Learning Engineer: Vorlage Schweiz

Machine Learning Engineers bringen Modelle von der Idee in den produktiven Betrieb. Der Alltag umfasst den ganzen Lebenszyklus: Trainingsdaten aufbereiten, Feature-Pipelines bauen, Modelle mit PyTorch, TensorFlow oder scikit-learn trainieren und evaluieren, dann das Deployment als API oder Batch-Service.

MLOps gehört zum Alltag; Details dazu stehen in der Aufgabenliste unten. Generative AI treibt die Nachfrage: Banken, Pharma, Industrie und Tech-Firmen suchen Engineers, die LLMs und Retrieval-Systeme in bestehende Produkte einbinden. Die meisten Stellen entstehen im Raum Zürich, danach in Lausanne, Genf und Zug. Die Zahlen unter diesem Abschnitt zeigen den aktuellen Stand auf ITBoard: Skills und Lohnband.

Wählen Sie den Titel nach dem Schwerpunkt der Stelle.

• –

  Machine Learning Engineer – trainiert und betreibt eigene Modelle.

• –

  AI Engineer – bindet vor allem LLMs in Produkte ein.

• –

  MLOps Engineer – baut die Plattform.

Ein «Data Scientist»-Inserat, das Deployment verlangt, zieht Leute an, die genau das nicht suchen.

• –

  Trainingsdaten und Features: Daten aus [Quellsystemen] aufbereiten, Feature-Pipelines bauen, Daten- und Modellversionen nachvollziehbar halten.

• –

  Trainieren und evaluieren: Modelle für [Anwendungsfall] entwickeln, Metriken mit dem Fachbereich festlegen, Experimente dokumentieren.

• –

  Deployment und MLOps: Modelle als API oder Batch-Service auf [GCP/AWS/Azure] bereitstellen, Training und Deployment automatisieren.

• –

  Monitoring im Betrieb: Drift, Antwortqualität und Kosten überwachen, Retraining auslösen, Störungen im Team beheben.

• –

  Generative AI integrieren: Large Language Models und Retrieval-Systeme in [Produkt] einbinden, Antwortqualität messen, Grenzen dokumentieren.

• –

  Datenschutz in den Trainingsdaten: Löschfristen und Anonymisierung umsetzen; das DSG verlangt Vernichtung oder Anonymisierung von Personendaten, sobald der Zweck erfüllt ist (Art. 6 Abs. 4).

Sagen Sie, wie sich die Arbeit verteilt, etwa «40 % Modellentwicklung, 40 % MLOps, 20 % Integration», und ob die Person das erste Modell ins Produkt bringt oder ein Portfolio weiterentwickelt; das sind zwei verschiedene Stellen. GPU-Zugang oder Cloud-Budget gehören ins Inserat; ohne sie bleiben Experimente liegen.

Zertifikate bleiben ein Wunsch. Google empfiehlt für den Professional Machine Learning Engineer mindestens drei Jahre Branchenerfahrung, AWS für den Certified Machine Learning Engineer - Associate je ein Jahr ML-Engineering und AWS-Praxis. Die Azure-Zertifikate «AI Engineer Associate» und «Data Scientist Associate» führt Microsoft auf den eigenen Seiten als zurückgezogen.

Deutsch ist bei ML-Rollen seltener Pflicht als anderswo: Doku, Papers und Frameworks laufen meist auf Englisch, ausser der Fachbereich braucht es im Alltag. Rechtliches zu Bewilligung und Herkunft klärt der allgemeine Leitfaden zum Stelleninserat.

Der ITBoard-Gehaltsreport für AI und ML Engineers weist Brutto-Jahreslöhne aus: Junior im Median CHF 85'000 (mittlere Hälfte CHF 76'100 bis 93'900), Mid-Level CHF 112'000 (CHF 100'300 bis 123'700), Senior CHF 140'000 (CHF 123'600 bis 156'400). Auf Mid-Level liegt die Rolle rund CHF 7'000 über dem Median im ITBoard-Gehaltsreport für Software Engineers. Ein Band von etwa CHF 23'000 innerhalb der mittleren Hälfte ist ehrlich, etwa «CHF 100'000 bis 123'000».

Eine Pflicht zur Lohnangabe gibt es nicht. Bei dieser Rolle lohnt sich ein Lohnband besonders, weil gute ML-Profile knapp sind und ein sichtbarer Rahmen mehr passende Bewerbungen bringt als ein leeres Feld.

Das Pensum steht in Prozent im Titel, meist «80–100 %»; Monitoring lässt sich im Team verteilen, und wer 80 % ausschliesst, verliert Fachleute mit Betreuungspflichten oder Weiterbildung. Homeoffice steht in Tagen pro Woche im Inserat, nicht als «flexibel»; rund 37 % der Erwerbstätigen arbeiten laut BFS zumindest gelegentlich zu Hause.

Machine Learning Engineers lesen zuerst, welche Modelle bereits produktiv laufen, dann den Stack, dann das Lohnband. Ein Inserat, das «AI» verspricht, aber kein Modell, keine Daten und keine Plattform nennt, wirkt wie eine Firma ohne all das. Autonomie, Bezahlung und echte Probleme führen die Zufriedenheitstreiber der Stack-Overflow-Umfrage 2025 an; schreiben Sie, welche Entscheide die Person nach dem Go-live selbst trifft.

Wo Daten und Modelle laufen, gehört ins Inserat: Google Cloud, AWS und Azure betreiben je eine Region in Zürich (europe-west6, Europe (Zurich), Switzerland North). Muss die Firma Kundendaten in der Schweiz halten, gehört das ins Inserat. Auf der SECO-Liste der meldepflichtigen Berufsarten 2026 steht keine Berufsart aus Informatik, Mathematik oder Statistik; Sie publizieren ohne RAV-Sperrfrist.

Machen Pipelines und die Datenplattform den Hauptteil aus, passt die Vorlage Data Engineer; betreibt die Person Kubernetes und CI/CD für andere Teams, ist es DevOps. Welche Skills Bewerbende filtern, zeigt die Skill-Übersicht.