Ein MLOps Engineer sorgt dafür, dass Machine‑Learning‑Modelle zuverlässig, skalierbar und kontrollierbar in Produktion laufen. Das Stellenprofil verlangt drei Kernbereiche: Deployment und CI/CD‑Pipelines, kontinuierliches Monitoring inklusive Retraining und Governance über den gesamten Modell‑Lebenszyklus. Wer die Rolle besetzt, braucht technische Tiefe in Python, Containerisierung und Cloud‑Infrastruktur, ergänzt durch Kommunikationsstärke an der Schnittstelle zwischen Data Science und IT‑Betrieb.
Kurz gesagt:
- Kandidaten sollten nachweisbare Erfahrung mit CI/CD-Pipelines, Modellüberwachung und Infrastruktur-Management in Cloud-Umgebungen vorweisen können.
- Die Rolle erfordert technisches Know-how in Python, Containerisierung, Kubernetes, Terraform sowie in Cloud-Anbietern wie AWS, Azure oder GCP.
- Neben technischen Fähigkeiten sind Kommunikationsstärke und die Fähigkeit, zwischen Data Science und IT-Betrieb zu vermitteln, entscheidend für den Erfolg.
- Stellenausschreibungen sollten die vier Kernbereiche Pipeline-Aufbau, Produktivsetzung, Monitoring und Support klar strukturieren.
- Das Gehalt variiert stark nach Region und Erfahrung, der Entgeltatlas bietet eine verlässliche Orientierung für marktgerechte Vergütungen.
Inhaltsverzeichnis
- Welche Aufgaben gehören ins Stellenprofil eines MLOps Engineers?
- Welche Hard Skills muss ein MLOps Engineer mitbringen?
- Welche Soft Skills entscheiden über den Erfolg im Job?
- Welche Tools sollten in der Stellenanzeige stehen?
- Wie formuliert man Anforderungen an Qualifikation und Erfahrung?
- Wie sieht der Arbeitsalltag eines MLOps Engineers aus?
- Wie sehen Karriereweg und Gehalt aus?
- Wie sieht eine einsatzfertige Stellenanzeige aus?
- Polydigital‑Perspektive: Warum die menschliche Vermittlerrolle entscheidend ist
- Was diese Stellenprofile in der Praxis oft übersehen
- Wie Polydigital Arbeitgeber bei der Suche nach MLOps‑Profilen unterstützt
- Quellen
- FAQ
Welche Aufgaben gehören ins Stellenprofil eines MLOps Engineers?
Die Stellenbeschreibung eines MLOps Engineers sollte konkrete, überprüfbare Tätigkeiten nennen statt vager Phrasen wie „Verantwortung für KI‑Prozesse“. Anzeigen, die tatsächlich Bewerber anziehen, brechen die Rolle in vier Bereiche herunter.
- Pipeline‑Aufbau: Automatisierte ML‑Pipelines konzipieren und betreiben, von der Datenaufnahme bis zum trainierten Modell.
- Produktivsetzung: Modelle als Batch‑Job oder als Online‑Inferenz produktiv schalten, inklusive Versionierung und Rollback‑Strategie.
- Monitoring und Retraining: Modellqualität überwachen, Drift erkennen und Retraining‑Zyklen anstoßen, bevor die Vorhersagequalität merklich sinkt.
- Betrieb und Support: Runbooks schreiben, im On‑Call‑Dienst Störungen beheben und Incidents dokumentieren.
Genau diese Struktur findet sich auch in echten Ausschreibungen. Eine Beispielanzeige für einen MLOps Engineer nennt explizit Pipeline‑Aufbau, Modell‑Lebenszyklus‑Management und Infrastructure‑as‑Code als zentrale Aufgabenblöcke. Wer eine Anzeige schreibt, sollte sich an dieser Viererstruktur orientieren statt an einer langen, unstrukturierten Aufzählung.
Welche Hard Skills muss ein MLOps Engineer mitbringen?
Die technischen Anforderungen entscheiden darüber, ob sich die richtigen Kandidaten überhaupt bewerben. Zu allgemeine Formulierungen wie „Programmiererfahrung“ filtern niemanden heraus. Konkrete Nennungen wirken wie ein Filter und ein Signal an erfahrene Bewerber zugleich.
- Python und Scripting: Solide Kenntnisse in Python, idealerweise mit Erfahrung in Bash oder Go für Automatisierung.
- Container und Orchestrierung: Praxis mit Docker und Kubernetes, um Modelle reproduzierbar zu verpacken und zu skalieren.
- CI/CD und Infrastructure‑as‑Code: Erfahrung mit Terraform oder Ansible sowie mit Workflow‑Orchestratoren wie Airflow oder Argo.
- Experiment Tracking und Model Registry: Umgang mit MLflow oder Weights & Biases, ergänzt durch Observability‑Tools wie Prometheus und Grafana.
- Cloud‑Plattformen: Nachweisbare Erfahrung mit AWS, Azure oder GCP, meist verbunden mit den jeweiligen Managed‑ML‑Diensten.
Als Nachweis zählen weniger Zertifikate als konkrete Projekte: ein GitHub‑Repository mit produktivem CI/CD‑Setup wiegt schwerer als ein Kurszertifikat ohne Anwendung.
Welche Soft Skills entscheiden über den Erfolg im Job?
Technisches Können allein reicht nicht. Der MLOps Engineer sitzt zwischen zwei Welten, die unterschiedlich denken und unterschiedlich sprechen: Data Science mit ihrem experimentellen Ansatz und IT‑Betrieb mit seinem Fokus auf Stabilität. Wer diese Übersetzung nicht leisten kann, scheitert an Reibung, nicht an Technik.
- Kommunikationsfähigkeit: Modellanforderungen von Data Scientists in konkrete Infrastrukturentscheidungen übersetzen können.
- Ownership und Problemlösekultur: Verantwortung für fehlerhafte Deployments übernehmen, statt Schuld zwischen Teams zu verschieben.
- Priorisierung unter Druck: Entscheiden, welcher Incident sofort Aufmerksamkeit braucht und welcher bis zum nächsten Sprint warten kann.
- Dokumentationsdisziplin: Runbooks und Architekturentscheidungen so festhalten, dass auch Kollegen im nächsten Team sie verstehen.
Ein Stellenprofil, das diese Punkte nur mit „Teamfähigkeit“ abhandelt, lässt Bewerber im Unklaren, was tatsächlich erwartet wird.
Welche Tools sollten in der Stellenanzeige stehen?
Die Werkzeugliste variiert je nach Cloud‑Strategie des Unternehmens, folgt aber wiederkehrenden Mustern. Eine Stellenbeschreibung von ING nennt Airflow und MLflow als geforderte Werkzeuge, kombiniert mit Erfahrung auf AWS, Azure oder GCP für Migrations‑ und Orchestrierungsaufgaben.
- Cloud‑ML‑Dienste: Amazon SageMaker, Google Vertex AI oder Azure Machine Learning, je nach vorhandener Cloud‑Strategie des Unternehmens.
- Orchestrierung: Airflow für klassische Batch‑Pipelines, Argo oder Kubeflow für Kubernetes‑native Workflows.
- Observability: Prometheus und Grafana für Metriken, ELK oder OpenSearch für Log‑Analyse.
- Versionierung und Tracking: MLflow als Standard für Experiment‑Tracking und Model Registry.
Diese Tools tauchen auch in Stellenanzeigen auf Indeed regelmäßig auf, was zeigt: Kubernetes, Docker, Terraform und Airflow gelten inzwischen als Mindeststandard, nicht als Zusatzqualifikation. Die konkrete Auswahl sollte sich immer an der bestehenden Infrastruktur des Unternehmens ausrichten, nicht an einer generischen Wunschliste.
Wie formuliert man Anforderungen an Qualifikation und Erfahrung?
Stellenprofile scheitern oft an starren Abschlussanforderungen, die gute Quereinsteiger ausschließen. Ein Studium in Informatik oder Data Science ist hilfreich, aber kein Muss, wenn nachweisbare Projekterfahrung vorliegt.
- Ausbildungsweg: Studium in Informatik, Data Engineering oder vergleichbar, alternativ Quereinstieg mit belegbaren Produktions‑Projekten.
- Erfahrungsniveau: Für Senior‑Rollen typischerweise drei bis fünf Jahre Erfahrung im Betrieb von ML‑Systemen, für Junior‑Positionen reicht praktische Projekterfahrung aus Studium oder Bootcamp.
- Sprachkenntnisse: In internationalen Teams wird oft Englisch auf B2‑Niveau verlangt, wie es auch eine Stellenanzeige der Deutschen Kreditbank formuliert.
- Nice‑to‑have‑Zertifikate: Cloud‑Zertifizierungen wie AWS Certified Machine Learning oder Kubernetes‑Zertifikate (CKA) sind ein Plus, aber kein Ausschlusskriterium.
Wie sieht der Arbeitsalltag eines MLOps Engineers aus?
Der Alltag besteht aus einem Wechsel zwischen proaktiver Pflege und reaktivem Support. Wöchentlich stehen Pipeline‑Checks, Code‑Reviews und geplante Deployments an, dazwischen laufen Abstimmungen mit Data Science zu neuen Modellversionen. An der Schnittstelle zu Backend‑Teams, SRE und Security geht es oft um Zugriffsrechte, Skalierungsgrenzen und Compliance‑Vorgaben.
Konkrete Deliverables lassen sich gut in einer Stellenanzeige benennen: gepflegte Runbooks für Incidents, funktionierende Monitoring‑Dashboards und wiederverwendbare CI/CD‑Templates für neue Modelle. Wer diese Ergebnisse explizit nennt, gibt Bewerbern ein klares Bild davon, was am Ende eines typischen Quartals tatsächlich vorliegen soll.
Wie sehen Karriereweg und Gehalt aus?
Der klassische Entwicklungspfad führt von Senior MLOps Engineer über Staff Engineer zu Platform Lead oder Engineering Manager. Wer lieber technisch bleibt, wächst in Richtung Architektur; wer Führung sucht, übernimmt Teamverantwortung für die gesamte ML‑Plattform. Neue Spezialisierungen entstehen gerade im Bereich LLMOps, wo es um den Betrieb großer Sprachmodelle geht, und im Bereich FinOps für KI, wo Kostenkontrolle bei Rechenressourcen im Vordergrund steht.
Für eine verlässliche Gehaltsorientierung lohnt sich ein Blick in den Entgeltatlas der Bundesagentur für Arbeit, der regionalisierte Vergütungsdaten für IT‑Berufe liefert. Gehaltsangaben aus einzelnen Jobbörsen sollten immer mit einer zweiten Quelle abgeglichen werden, da Spannen je nach Branche und Unternehmensgröße stark variieren.
Wie sieht eine einsatzfertige Stellenanzeige aus?
Eine funktionierende Anzeige folgt einem modularen Aufbau, den HR‑Teams direkt übernehmen können.
- Kurzbeschreibung: Ein bis zwei Sätze zur Rolle im Unternehmenskontext, etwa welche Produkte oder Modelle betreut werden.
- Aufgaben: Die vier Bereiche aus dem Aufgabenabschnitt oben, angepasst an die konkrete Infrastruktur.
- Anforderungen: Getrennt nach Muss‑Kriterien (Python, Kubernetes, Cloud‑Erfahrung) und Nice‑to‑have (Zertifikate, LLMOps‑Erfahrung).
- Benefits: Konkrete Angaben zu Remote‑Anteil, Weiterbildungsbudget und Teamgröße statt allgemeiner Floskeln.
- Bewerbungsprozess: Klare Angabe, wie viele Gesprächsrunden es gibt und ob ein technischer Test Teil des Prozesses ist.
Für Junior‑Positionen lohnt es sich, die Erfahrungsanforderung auf ein bis zwei Jahre zu senken und stattdessen ein Portfolio‑Projekt als Nachweis zu verlangen. Sinnvolle Bewerbungsfragen fragen nach einem konkreten Incident, den die Person gelöst hat, statt nach abstrakten Stärken und Schwächen.
Polydigital‑Perspektive: Warum die menschliche Vermittlerrolle entscheidend ist
Ein MLOps Engineer lässt sich am ehesten als Bauleiter einer KI‑Fabrik beschreiben: Er sorgt dafür, dass die Produktionslinie läuft, während Data Scientists ständig neue Baupläne liefern. Diese Vermittlerfunktion zwischen Innovation und Betriebsstabilität entscheidet oft mehr über den Projekterfolg als die Wahl des Frameworks. Spezialisierte Personaldienstleister besetzen solche Schnittstellenrollen im Kontext der KI‑Transformation und berichten, dass technisch brillante Profile ohne Vermittlungsfähigkeit an internen Reibungsverlusten scheitern.
Unternehmen, die ein Stellenprofil für MLOps Engineers formulieren, sollten diese Fähigkeit nicht als Nebensache behandeln, sondern gleichwertig neben Kubernetes und Python listen. Die technische Liste lässt sich aus Jobbörsen kopieren. Die Fähigkeit, zwischen zwei Teams zu vermitteln, die sich gegenseitig oft nicht verstehen, muss man gezielt suchen und gezielt fragen.
Was diese Stellenprofile in der Praxis oft übersehen
Die meisten Stellenanzeigen für MLOps Engineers lesen sich wie eine Tool‑Checkliste: Kubernetes, Docker, Terraform, fertig. Das greift zu kurz. Die eigentliche Herausforderung der Rolle liegt selten im Werkzeug, sondern in der Fähigkeit, unter Zeitdruck zwischen zwei Kulturen zu vermitteln, die unterschiedliche Fehlertoleranz haben. Data Science experimentiert, IT‑Betrieb verlangt Stabilität. Wer nur nach Tool‑Erfahrung sucht, bekommt oft jemanden, der Pipelines bauen kann, aber in der ersten größeren Eskalation zwischen Teams verstummt.
Die konventionelle Annahme, dass sich MLOps‑Rollen wie klassische DevOps‑Stellen besetzen lassen, ist ein Denkfehler. DevOps optimiert überwiegend Software‑Deployments mit bekannten, stabilen Artefakten. MLOps arbeitet mit Modellen, deren Verhalten sich durch neue Daten laufend verändert, was ständige Neubewertung verlangt statt einmaliger Automatisierung. Wer das Stellenprofil trotzdem eins zu eins aus einer DevOps‑Vorlage kopiert, verschenkt genau die Kriterien, die für den Erfolg der Rolle entscheidend sind.
Arbeitgeber sollten deshalb zuerst die Schnittstellenfähigkeit prüfen und erst danach die Tool‑Liste abhaken. Das dreht die übliche Reihenfolge im Auswahlprozess um, liefert aber am Ende belastbarere Einstellungen.
— Ingmar
Wie Polydigital Arbeitgeber bei der Suche nach MLOps‑Profilen unterstützt
Interne Suche funktioniert gut, wenn genügend Zeit und ein bestehendes Netzwerk vorhanden sind. Fehlt beides, wird die Suche nach einem MLOps Engineer schnell zum Flaschenhals für die ganze KI‑Strategie. Eine Alternative zur klassischen Ausschreibung ins Ungewisse ist die gezielte Identifikation von Fachkräften, die die Vermittlerrolle zwischen Data Science und IT‑Betrieb bereits ausgefüllt haben.
Zu den besetzten Rollen zählt neben MLOps / AI Platform Engineer auch AI Solutions Architect, AI Governance Officer und AI Enablement Lead, jeweils mit individuell geprüften Kandidaten statt einer generischen Bewerberliste. Eine Partnerschaft kann sinnvoll sein, wenn die interne Suche ohne passenden Treffer läuft oder wenn regulatorische Anforderungen eine sorgfältige Auswahl erfordern. Wer vorab wissen möchte, wie sich Vergütung und Anforderungsprofile am Markt gerade entwickeln, findet im Signal Report eine Orientierung zum Abgleich der eigenen Stellenanzeige.
Quellen
Wer die eigene Anzeige oder das eigene Gehaltsangebot gegen den Markt prüfen will, findet auf wenigen Seiten verlässliche Vergleichswerte.
Am sinnvollsten ist es, mindestens zwei dieser Quellen gegeneinander abzugleichen, bevor eine Gehaltsspanne oder Anforderungsliste final in die eigene Anzeige übernommen wird.
FAQ
Wie hoch ist das Gehalt im Bereich MLOps?
Die Gehaltsspanne hängt stark von Erfahrung, Region und Unternehmensgröße ab. Eine verlässliche Orientierung liefert der Entgeltatlas der Bundesagentur für Arbeit, der regionalisierte Vergütungsdaten für vergleichbare IT‑Berufe zeigt.
Was muss ein AI‑Engineer können?
Ein KI‑Engineer im MLOps‑Kontext braucht solide Python‑Kenntnisse, Erfahrung mit Containern und Orchestrierung sowie Praxis mit Cloud‑Plattformen wie AWS, Azure oder GCP. Genauso wichtig ist die Fähigkeit, Modellanforderungen von Data Scientists in stabile Produktionsprozesse zu übersetzen.
Welche Aufgaben und Fähigkeiten hat ein DevOps Engineer im ML‑Kontext?
Ein DevOps Engineer im ML‑Umfeld übernimmt oft Aufgaben, die sich mit MLOps überschneiden: CI/CD‑Pipelines, Infrastructure‑as‑Code und Monitoring. Der Unterschied liegt darin, dass MLOps zusätzlich Modell‑Drift, Retraining‑Zyklen und Experiment‑Tracking berücksichtigt, was klassisches DevOps nicht abdeckt.
Wie unterscheidet sich ein Junior‑ von einem Senior‑Stellenprofil?
Junior‑Profile verlangen meist ein bis zwei Jahre Praxis oder ein belastbares Portfolio‑Projekt, während Senior‑Rollen typischerweise drei bis fünf Jahre Produktionserfahrung mit ML‑Systemen voraussetzen. Die Kernaufgaben bleiben ähnlich, der Grad an Eigenverantwortung und Architekturentscheidungen steigt jedoch deutlich.
Kann Polydigital auch bei internen MLOps‑Stellenprofilen beraten?
Polydigital besetzt die Rolle MLOps / AI Platform Engineer direkt und bringt dabei Erfahrung aus der Formulierung passender Anforderungsprofile mit ein. Konkrete Preise für ein Mandat sind nicht öffentlich gelistet und werden individuell besprochen.