Lebenslauf für MLOps Engineers: Beispiele und Anleitung

Dieses Muster zeigt einen Engineer, der aus Backend- und DevOps-Arbeit in ein Plattformteam für Machine Learning gewechselt ist. Namen und Unternehmen sind erfunden. Wenn Sie aus der Data Science kommen, behalten Sie den Aufbau und tauschen Sie die frühen Stellen aus; weiter unten gibt es einen Abschnitt zu diesem Weg.

MLOps-Stellen werden von sehr unterschiedlichen Unternehmen ausgeschrieben. Ein Start-up sucht jemanden, der den ganzen Weg allein verdrahten kann; ein Konzern will tiefes Kubernetes-Wissen oder eine bestimmte Cloud. Alle prüfen dieselben vier Dinge.

• Haben Sie Modelle ausgeliefert oder nur trainiert? Die stärkste einzelne Zeile in diesem Lebenslauf ist die Zahl der Modelle in Produktion und wer von ihnen abhängt. Wenn Sie nur ein Modell ausgeliefert, es aber von Anfang bis Ende verantwortet haben, schreiben Sie das; es schlägt vages Gerede über Plattformen.
• Serving und Skalierung. Batch, Echtzeit oder Streaming. Anfragen pro Sekunde, p50- und p99-Latenz, GPU oder CPU und das Serving-Framework. Arbeit mit großen Sprachmodellen bringt eigene Begriffe mit: vLLM, Token-Durchsatz, KV-Cache, Quantisierung, RAG-Pipelines.
• Tiefe in der Infrastruktur. Kubernetes, Terraform, eine Cloud in der Tiefe, CI/CD, Grundlagen in Netzwerk und IAM. MLOps-Stellen sind weiterhin Infrastrukturstellen, und ein Lebenslauf ohne Infrastrukturdetails liest sich wie der eines Notebook-Nutzers.
• Zuverlässigkeit und Kosten. Monitoring, Drift-Erkennung, Rollback, Rufbereitschaft, Vorfälle. Dann das Geld: eingesparte GPU-Kosten, richtig dimensionierte Instanzen, Nutzung von Spot-Instanzen. Kostenarbeit fällt derzeit besonders auf, weil die Rechnungen für Model Serving hoch und sichtbar sind.

“Die Lebensläufe, die zum Gespräch führen, sagen, was kaputtging und was die Person dagegen getan hat. Kubernetes und MLflow kann jeder auflisten. Nur sehr wenige können mir von der Abweichung zwischen Training und Serving erzählen, die sie gefunden haben, wie sie sie gefunden haben und wie das Monitoring heute aussieht.”

Drei Zeilen. Jahre und Schwerpunkt, was Sie verantworten, der Stack, eine Zahl. Diese Beispiele decken die Wege ab, auf denen Menschen tatsächlich in diesen Beruf kommen.

MLOps-Stichpunkte scheitern auf eine bestimmte Art: Sie nennen Werkzeuge und hören dann auf. Ergänzen Sie Größenordnung und Ergebnis.

Gruppieren Sie die Liste. Recruiterinnen und Recruiter ebenso wie Schlüsselwortfilter finden so schneller, was sie suchen, und eine gruppierte Liste verhindert, dass Sie eine ganze Cloud beanspruchen, wenn Sie zwei Dienste daraus genutzt haben.

• Orchestrierung und Infrastruktur: Kubernetes, Helm, Terraform, Docker, ArgoCD, GitHub Actions oder GitLab CI, Ansible
• Pipeline-Orchestrierung: Airflow, Kubeflow Pipelines, Argo Workflows, Prefect, Dagster, Metaflow
• Tracking und Registry: MLflow, Weights & Biases, DVC, Neptune
• Serving: KServe, Triton Inference Server, TorchServe, BentoML, Seldon, Ray Serve, vLLM für Sprachmodelle
• Features und Daten: Feast, Tecton, Spark, dbt, Kafka, Delta Lake, Great Expectations
• Überwachung und Monitoring: Prometheus, Grafana, OpenTelemetry, Evidently, WhyLabs, Arize
• Cloud: AWS (SageMaker, EKS, S3, IAM), GCP (Vertex AI, GKE), Azure ML. Schreiben Sie, welche Sie in der Tiefe kennen und welche Sie nur gestreift haben.
• Sprachen: zuerst Python, dann Go, Bash, SQL. Vermerken Sie, wo Sie Produktivservices geschrieben haben und nicht nur Skripte.
• Frameworks, die Sie unterstützen: PyTorch, TensorFlow, scikit-learn, XGBoost, Hugging Face Transformers
• Praktiken: GitOps, Blue-Green- und Canary-Releases, Shadow Deployment, Modellversionierung, reproduzierbare Builds, Daten- und Modell-Lineage, Kostenmanagement; in regulierten Umfeldern auch Dokumentation und Protokollierung, etwa mit Blick auf die EU-KI-Verordnung (AI Act), soweit sie für das jeweilige System gilt

Ein ehrlicher Satz schlägt eine lange Liste. Wenn Sie nie ein Modell trainiert haben, setzen Sie PyTorch nicht unter Kenntnisse; schreiben Sie stattdessen in einen Stichpunkt „Betrieb von PyTorch- und TensorFlow-Workloads in Produktion“. In diesem Feld wird im Gespräch nachgefragt, und die Lücke zeigt sich schnell.

Viele suchen danach, wie sie an die erste MLOps-Stelle kommen. Es ist einer der wenigen Engineering-Berufe, in denen ein gut gebautes eigenes Projekt wirklich hilft, denn ein Großteil der Arbeit besteht darin, Systeme miteinander zu verbinden, und das lässt sich mit wenig Geld zu Hause nachbauen.

1. 1Bauen Sie ein durchgängiges Projekt und beschreiben Sie es wie eine Stelle. Datenaufnahme, Trainingspipeline, Registry, containerisiertes Serving, Monitoring-Dashboard, automatisches Retraining. Setzen Sie den Link zum Repository in den Kopf.
2. 2Geben Sie ihm Zahlen. „Bedient 40 Anfragen pro Sekunde auf einem einzelnen Node mit 2 Kernen bei 60 ms p95, Retraining wöchentlich, Alerts bei Drift.“ Erst Zahlen machen ein eigenes Projekt als Engineering lesbar.
3. 3Zeigen Sie den Infrastruktur-Code. Recruiterinnen, Recruiter und Interviewende öffnen Terraform- und Helm-Dateien häufiger als Notebooks.
4. 4Zertifikate haben hier für Quereinsteigerinnen und Quereinsteiger ungewöhnlich viel Gewicht. Der Certified Kubernetes Administrator, die Machine-Learning-Zertifikate von AWS oder Google Cloud und der Terraform Associate passen direkt auf die Anforderungen in Anzeigen. Prüfen Sie vorher den aktuellen Namen, denn Anbieter benennen Zertifikate um oder stellen sie ein.
5. 5Wenn Sie aus der Data Science wechseln, schreiben Sie Ihre bisherige Arbeit in Plattformsprache um: wie Modelle ausgeliefert wurden, wer sie genutzt hat, was kaputtging, wie Sie sie überwacht haben. Lassen Sie Genauigkeitswerte weg, es sei denn, sie erklären eine Plattformentscheidung.
6. 6Wenn Sie aus DevOps wechseln, ergänzen Sie das ML-Vokabular, mit dem Sie schon zu tun haben: Artefaktversionierung, GPU-Scheduling, Batch-Trainingsjobs, Experiment-Tracking, Drift.

• Eine Seite bei weniger als 10 Jahren Erfahrung. Zwei Seiten, wenn Sie mehrere Plattformaufbauten beschreiben können. Eine dritte Seite liest in diesem Feld niemand.
• Reihenfolge: Kopf mit GitHub-Link, Profil, Berufserfahrung, gruppierte Kenntnisse, Zertifikate, Ausbildung. Projekte stehen nur dann über der Berufserfahrung, wenn Sie noch keine passende Stelle hatten.
• Eine Spalte, schlichter Text, keine Kenntnisbalken, keine Bewertungspunkte. Engineering-Leitungen mögen sie nicht, und Parser zerlegen sie.
• Schreiben Sie Werkzeuge so, wie die Projekte sie schreiben: Kubernetes statt K8s in der Kenntnisliste (im Stichpunkt geht K8s), MLflow mit kleinem f, PyTorch mit großem T, scikit-learn klein.
• Nennen Sie Abkürzung und Langform einmal gemeinsam, wenn ein Filter nach beidem suchen könnte: CI/CD, IaC (Infrastructure as Code), LLM (Large Language Model).
• Übernehmen Sie die Begriffe der Anzeige: Model Deployment, Model Serving, Inferenz, Trainingspipeline, Feature Store, Model Registry, Drift, Observability, GPU, Autoscaling, Kostenoptimierung, Rufbereitschaft.
• PDF mit dem Namen Vorname-Nachname-MLOps-Engineer-Lebenslauf.pdf. Setzen Sie den GitHub-Link als Text ein, nicht nur als Hyperlink, damit er Kopieren und Einfügen übersteht.
• Ein Foto ist in Deutschland üblich, aber freiwillig, ebenso das Geburtsdatum; in internationalen Tech-Teams wird beides oft weggelassen. Viele dieser Unternehmen sprechen vom CV und erwarten eine englische Fassung. Für Stellen in den USA gilt: Resume, kein Foto, kein Geburtsdatum.