GenAI Engineer (m/w/d)

Das ist der Job

## Ihre Aufgaben Deine Mission: Intelligente Systeme der nächsten Generation KI-Lösungen konzipieren und realisieren - Fokus GenAI: Konzeption und Umsetzung von modernen RAG-Architekturen (Retrieval Augmented Generation), agentischen Workflows und generativen KI-Use-Cases. - Modellierung & Integration: Auswahl und Feinabstimmung (Fine-Tuning) von LLMs sowie deren Integration in produktive Geschäftsprozesse. - Fundament: Während dein Fokus auf Generative AI liegt, nutzt du dein Wissen in klassischen Machine-Learning-Verfahren und Deep Learning, um hybride Lösungen zu schaffen, wo LLMs alleine nicht ausreichen.

Das brauchst du

Verantwortung für End-to-End-Lösungen - Production-Ready AI: Du bringst GenAI-Applikationen von der ersten Prompt-Idee über den Prototypen bis hin zum skalierbaren Deployment (LLMOps). - Daten & Orchestrierung: Aufbau und Optimierung der Datengrundlage für Agenten, Vector Databases sowie die Orchestrierung komplexer Workflows und Agenten. - Qualitätssicherung: Sicherstellung von Stabilität, Evaluierung von Modell-Outputs (Guardrails) und Performance-Optimierung.

Pinecone, Weaviate, Milvus oder Chroma). - Sprachgenie: Exzellente Python-Kenntnisse sind deine Basis.

Arbeitsweise - Pioniergeist: Du hast Lust, in einem Feld zu arbeiten, das sich wöchentlich neu erfindet. - Analytik: Du arbeitest strukturiert und behältst auch bei komplexen Systemarchitekturen den Überblick. - Kommunikation: Du kannst technische Konzepte souverän und adressatengerecht vermitteln und verfügst über sehr gute Deutsch- und Englischkenntnisse.

Banking, Insurance). - Kenntnisse in Frontend-Technologien (z.B.

Darum lohnt es sich

Weiterentwicklung & Wissensaustausch - State-of-the-Art: Du beobachtest die rasanten Entwicklungen im Bereich LLMs, multimodale Modelle und Agenten-Frameworks. - Wissenstransfer: Aktive Mitgestaltung interner Formate und Prototyping neuer Features für die attempto Akademie. ## Ihr Profil Fachliches Profil (Fokus GenAI) - Frameworks: Du bist sicher im Umgang mit einem oder mehreren LLM/Agenten-Orchestrierungs-Tools wie LangChain, LangGraph, PydanticAI, Google ADK, OpenAI Agent SDK, LlamaIndex oder Haystack. - GenAI Stack: Praktische Erfahrung mit Prompt Engineering, Embeddings und dem Aufbau und Management von Vector Databases (z.B.

Streamlit, React, Copilotkit/AG-UI) für den schnellen Bau von KI-Demos und überzeugenden GenAI-Webapps. ## Warum wir? - JobRad - Leasingangebot mit Arbeitgeberzuschuss - JobTicket - lohnsteuerfreier Arbeitgeberzuschuss - Vertraglich geregelte Weiterbildungen - gezielte persönliche und fachliche Weiterentwicklung - Betriebliche Altersvorsorge - Zuzahlung auf den Versicherungsbeitrag - Cooles Office mit viel Raum für Kreativität - mobiles Arbeiten im Homeoffice je nach Projektsituation möglich - Mitgestaltung von attempto - Geschäftsführung bezieht Mitarbeiter proaktiv mit ein - Mentoring-Programm - Mentoren für neue Mitarbeiter - Zahlreiche Firmenevents - Sommerfest, Wiesn, Jahresabschlussfeier uvm. - Knowhow-Transfer - Zahlreiche innerbetriebliche Angebote - Fit-im-Job Angebote - Gesundheitstage, Firmenläufe uvm. - Regionaler Einsatz - Meist regionaler und langfristiger Projekteinsatz - Erfolgreiche Teamarbeit - durch Offenheit und Zusammenhalt aller im Team - Innovative Projekte - beim Kunden und in der attempto Innovations-Manufaktur Beratung & Zusammenarbeit - Technologie-Übersetzer: Du erklärst Stakeholdern den Unterschied zwischen "Hype" und echtem Business-Value und übersetzt komplexe Architekturen in klare Entscheidungsvorlagen. - Interdisziplinarität: Enge Zusammenarbeit mit Business Analyst\*innen und Software Engineers, um KI nahtlos in bestehende Software-Ökosysteme einzubetten.

Technisches Verständnis & Basis - Cloud & Deployment: Erfahrung mit Cloud-KI-Services (Azure OpenAI, AWS Bedrock oder GCP Vertex AI) sowie Docker/Kubernetes. - Architektur: Solides Verständnis von APIs, Microservices und Datenpipelines. - KI-Fundament: Du verstehst die Mathematik hinter Deep Learning und hast bereits mit Bibliotheken wie PyTorch oder TensorFlow gearbeitet – dies hilft dir, GenAI-Modelle tiefergehend zu verstehen.

Nice to have - Tiefergehende Erfahrung in MLOps oder Data Engineering. - Projekterfahrung im regulierten Umfeld (z.B.