Machine Learning Engineer.

Entwickelt und betreibt maßgeschneiderte ML-Modelle über den ganzen Lifecycle.

Stundensatz 100–150 € Remote & vor Ort DACH-weit
Machine Learning Engineer anfragen

Ein Machine Learning Engineer baut Modelle für Aufgaben, die Standard-KI nicht löst: Nachfrageprognosen, Anomalie-Erkennung, Qualitätskontrolle, Preisoptimierung. Er verantwortet den gesamten Lifecycle — von Daten-Pipeline und Feature-Engineering über Training und Validierung bis Deployment, Monitoring und Retraining.

In Zeiten generativer KI bleibt die Rolle unverzichtbar überall dort, wo es um strukturierte Daten, messbare Vorhersagegüte und harte Latenz- oder Kostenanforderungen geht — ein Sprachmodell ist selten die effizienteste Lösung für ein Prognoseproblem.

01

Prognosemodelle

Absatz-, Auslastungs- oder Ausfallprognosen auf Ihren historischen Daten — mit ehrlicher Validierung gegen die naive Baseline.

02

Anomalie-Erkennung

Betrugsmuster, Maschinenausfälle oder Qualitätsabweichungen automatisch erkennen, bevor sie teuer werden.

03

ML-System produktionsreif machen

Aus dem Notebook eines Data Scientists wird ein versioniertes, überwachtes, automatisch neu trainierendes Produktivsystem.

04

Klassisch vs. GenAI entscheiden

Nüchterne Bewertung, ob Ihr Problem ein trainiertes Modell, ein LLM oder schlicht gute Heuristiken braucht.

Kernkompetenzen
Feature-EngineeringModell-ValidierungML-PipelinesPython (scikit-learn, PyTorch, XGBoost)SQL
Tools & Frameworks
MLflow/Weights&BiasesAirflow/DagsterDocker/KubernetesCloud-ML (SageMaker, Vertex)Monitoring/Drift-Detection
Plus-Faktoren
Zeitreihen-SpezialisierungEdge-DeploymentCausal Inference

100–150 € / Stunde, DACH-Markt

Spezialisierungen wie Zeitreihen oder Computer Vision sowie MLOps-Tiefe heben den Satz.

Alle Angaben aus unserer laufenden Marktbeobachtung; Details im Stundensatz-Überblick.

Was kostet ein Machine Learning Engineer als Freelancer?
Nach unserer Marktbeobachtung liegen die Stundensätze im DACH-Raum 2026 zwischen 100 und 150 Euro, je nach Spezialisierung und MLOps-Erfahrung.
Brauchen wir trotz ChatGPT & Co. noch eigene ML-Modelle?
Für Prognosen, Optimierung und Anomalie-Erkennung auf strukturierten Daten sind trainierte Modelle meist genauer, schneller und günstiger als generative KI. Die Frage ist nicht entweder-oder, sondern welches Werkzeug zu welchem Problem passt.
Wie viele Daten brauchen wir für ein eigenes ML-Modell?
Das hängt vom Problem ab — oft reichen einige tausend saubere Beispiele. Wichtiger als die Menge ist die Qualität und ob die Daten das abbilden, was Sie vorhersagen wollen. Eine Datenlage-Prüfung gehört an den Projektanfang.
Was ist der Unterschied zwischen Data Scientist und ML Engineer?
Der Data Scientist exploriert Daten und entwickelt Modell-Ansätze; der ML Engineer macht daraus robuste Produktivsysteme mit Pipelines, Deployment und Monitoring. Kleinere Projekte besetzen beides in einer Person.

Sie brauchen eine:n Machine Learning Engineer?

Beschreiben Sie uns Ihr Projekt — Sie erhalten innerhalb eines Werktags eine ehrliche Einschätzung zu Verfügbarkeit, Stundensatz und Alternativen.

Experten anfragen