Lebenslauf AI Engineer: Beispiel und Vorlage
So belegen Sie als AI Engineer in der Schweiz produktive Modelle, MLOps-Reife und Governance-Wissen mit harten Zahlen statt mit Schlagworten.
Aktuell 27 offene Stellen als Ai Engineer in der Schweiz in 9 Kantonen, davon 3 aus den letzten 7 Tagen. Am meisten ausgeschrieben hat vontobel.
Lebenslauf-Beispiel — zweiseitige Vorlage
Diese Vorlage lässt sich direkt bearbeiten — oder laden Sie Ihren bestehenden Lebenslauf hoch, und er wird automatisch in dieses Layout übertragen.
Welcher Abschluss wird für AI Engineers in der Schweiz erwartet?
Erwartet wird in der Regel ein MSc der ETH Zürich, EPFL oder einer Fachhochschule in Informatik, Data Science oder Elektrotechnik - ergänzt durch nachweisbare Produktionserfahrung.
Der klassische Weg führt über einen BSc Informatik oder Data Science an einer Fachhochschule wie FHNW, ZHAW, HSLU oder OST und danach über einen MSc in Data Science, Computer Science oder Computational Science an der ETH Zürich, der EPFL oder einer Fachhochschule. Auch Quereinsteigende aus Physik, Mathematik oder Elektrotechnik sind verbreitet; entscheidend ist dann, dass Sie den Bezug zur Softwaretechnik belegen. Schreiben Sie den Abschluss mit Titelform, Institution und Jahr, also zum Beispiel 'MSc ETH in Data Science, ETH Zürich, 2017'.
Weiterbildungen positionieren Sie glaubhaft: ein CAS oder MAS in Machine Learning, Data Engineering oder AI Management an HSLU, ZHAW oder BFH wirkt in der Schweiz deutlich stärker als eine lange Liste von Online-Kursen. Herstellerzertifikate wie AI-102, Databricks ML Professional oder Google Professional Machine Learning Engineer sind sinnvoll, wenn sie zur Cloud des Zielunternehmens passen. Ergänzen Sie bei Bank-, Versicherungs- oder Pharmastellen ein Governance-Zertifikat, etwa ISO/IEC 42001, weil dort Auditfähigkeit Teil der Rolle ist.
Haben Sie im Ausland studiert, lassen Sie die Niveaugleichwertigkeit über Swiss ENIC einordnen und nennen Sie im Lebenslauf die Referenz. Nicht-EU/EFTA-Bewerbende sollten den Aufenthaltsstatus direkt in die Kopfzeile schreiben, also Bewilligung B, C, L oder G, weil Recruiter sonst Kontingentfragen fürchten. Fehlt Ihnen noch ein Schweizer Bezug, hilft ein Praktikum, eine Masterarbeit mit Industriepartner oder ein Projekt bei einem Innosuisse-gefördertem Vorhaben.
Wie stellen Sie Berufserfahrung und Projekte als AI Engineer dar?
Zeigen Sie pro Rolle, welche Modelle tatsächlich produktiv liefen, für wie viele Nutzende, mit welcher Latenz, Qualität und welchen Kosten.
Beschreiben Sie zuerst den Kontext: Teamgrösse, Branche, Datenvolumen, Cloud und ob Sie Prototypen oder produktive Systeme verantwortet haben. Der Unterschied zwischen 'Proof of Concept' und 'produktiver Endpoint mit SLA' ist in Schweizer Interviews die häufigste Nachfrage. Formulieren Sie danach drei bis vier Bullet Points mit Zahlen: Halluzinationsrate von 12 auf 3 Prozent, MAPE von 18 auf 11 Prozent, Inferenzkosten von CHF 4.20 auf CHF 0.90 pro 1'000 Anfragen.
Trennen Sie Fähigkeiten sauber: LLM- und RAG-Arbeit, klassisches Machine Learning, Data Engineering, MLOps sowie Governance. Nennen Sie konkrete Werkzeuge mit Ihrer Rolle darin, etwa MLflow für Model Registry, Argo CD für Deployments, Weaviate für Vektorsuche und Terraform für Infrastruktur. Verzichten Sie auf Fortschrittsbalken bei Skills; Schweizer Hiring Manager bewerten stattdessen Projektnachweise, Code-Qualität und die Frage, ob Sie ein Modell nach dem Go-live betreut haben.
Ergänzen Sie einen kurzen Projektabschnitt mit zwei bis drei Referenzen: Open-Source-Beiträge, GitHub-Profil, Publikationen oder ein Kaggle-Resultat. Wichtig ist die Verbindung zum Geschäftsnutzen, also gesparte Arbeitszeit, vermiedene Fehlerkosten oder zusätzlicher Umsatz in CHF. Wenn Vertraulichkeit gilt, anonymisieren Sie die Branche ('Schweizer Krankenversicherer, 1'200 Mitarbeitende') statt die Kennzahlen zu weglassen.
Länge, Foto und Schweizer Eigenheiten: Worauf achten Recruiter?
Zwei Seiten, ein sachliches Foto, klare Angaben zu Bewilligung, Eintrittstermin und Salärvorstellung gelten als Standard.
Halten Sie den Lebenslauf auf zwei Seiten, bei über zehn Jahren Erfahrung maximal drei, und fassen Sie ältere Stationen in einer Zeile zusammen. Ein professionelles Porträtfoto ist in der Schweiz weiterhin üblich und wird bei Tech-Rollen selten negativ bewertet; Pflicht ist es nicht. Angaben wie Jahrgang, Nationalität beziehungsweise Bewilligung, Wohnort und Erreichbarkeit gehören in die Kopfzeile, Zivilstand und Konfession dagegen nicht mehr.
Achten Sie auf lückenlose Monatsangaben, weil Personalabteilungen die Angaben mit Arbeitszeugnissen abgleichen. Erwähnen Sie Ihre Kündigungsfrist (häufig drei Monate) und den möglichen Eintrittstermin, das beschleunigt den Prozess deutlich. Wenn ein Salärband gefordert ist, orientieren Sie sich am Markt: Einstiegsrollen liegen häufig bei CHF 95'000 bis CHF 115'000, erfahrene AI Engineers bei CHF 130'000 bis CHF 160'000 und Senior-Profile im Zürcher Finanzumfeld darüber.
Reichen Sie eine PDF-Datei mit sprechendem Dateinamen ein und nutzen Sie ein einspaltiges, ATS-lesbares Layout ohne Grafiktext. Schreiben Sie das Dossier in der Sprache der Ausschreibung: Deutsch in der Deutschschweiz, Französisch in der Romandie, Englisch bei internationalen Konzernen und Startups. Halten Sie zusätzlich Arbeitszeugnisse, Diplome und zwei Referenzpersonen bereit und vermerken Sie im Lebenslauf 'Referenzen auf Anfrage'.
Wo Ai Engineer in der Schweiz gesucht werden
Verteilung der 27 offenen Stellen auf die Kantone.
Zahlen als Tabelle
| Kanton | Inserate |
|---|---|
| Zürich | 5 |
| Genf | 3 |
| Waadt | 2 |
| Aargau | 2 |
| Basel-Stadt | 2 |
| Bern | 1 |
| Wallis | 1 |
| Tessin | 1 |
Welche Sprachen die Inserate verlangen
Von 21 Inseraten mit Sprachangabe — in Klammern die Zahl, die Verhandlungsniveau verlangt.
Zahlen als Tabelle
| Sprache | Inserate |
|---|---|
| Englisch | 15 (14) |
| Deutsch | 8 (8) |
| Italienisch | 2 (2) |
Wer in der Schweiz Ai Engineer sucht
Arbeitgeber mit den meisten offenen Stellen. Personalvermittler sind ausgeschlossen.
Zahlen als Tabelle
| Arbeitgeber | Inserate |
|---|---|
| vontobel | 3 |
| Techyon | 2 |
| RUAG | 1 |
| Lengacher & Partner GmbH | 1 |
| Kraken | 1 |
| Callista | 1 |
Vollzeit oder Teilzeit?
Wie die Stellen ausgeschrieben sind.
Zahlen als Tabelle
| Pensum | Inserate |
|---|---|
| Vollzeit / plein temps | 17 |
| Teilzeit / partiel | 1 |
| Temporär | 2 |
Der Lebenslauf im Volltext
Zum Nachlesen und Übernehmen.
Nadine Brunner
Senior AI Engineer, MSc ETH in Data Science
Senior AI Engineer mit 7 Jahren Erfahrung im Aufbau produktiver LLM- und Machine-Learning-Systeme für Banken, Versicherer und Industrie in der Schweiz. Ich verantworte den ganzen Lebenszyklus von der Datenpipeline über Fine-Tuning und Retrieval-Architektur bis zu Monitoring, Kostenkontrolle und Auditfähigkeit. Aktuell betreue ich 18 produktive Use Cases in Azure Switzerland North und führe das AI-Inventar nach EU AI Act sowie ISO/IEC 42001.
Was mich unterscheidet
RAG-Architektur mit messbarer Antwortqualität: Ich baue Retrieval-Pipelines mit Hybrid-Suche, Reranking und Chunking-Strategien und belege deren Qualität mit Ground-Truth-Sets sowie RAGAS-Metriken statt mit Demo-Prompts: Halluzinationsrate von 12 auf 3 Prozent gesenkt.
MLOps von Notebook bis SLA: Modelltraining, Model Registry, Canary-Deployment und Drift-Monitoring laufen bei mir über CI/CD-Pipelines mit MLflow und Argo CD; der Weg vom Experiment zum produktiven Endpoint dauert 4 Tage statt 6 Wochen.
Datenhaltung nach Schweizer Anforderungen: Erfahrung mit Datenresidenz in Schweizer Cloud-Regionen, Pseudonymisierung nach revDSG und FINMA-Anforderungen an Auslagerungen; drei Bankprojekte haben das interne Risk-Review ohne Nachbesserung passiert.
Kostentransparenz pro Token und Vorhersage: Ich rechne jeden Use Case in CHF pro 1'000 Anfragen durch, kombiniere Small-Language-Modelle mit Caching und Quantisierung und habe damit ein Jahresbudget von CHF 430'000 auf CHF 90'000 reduziert.
Wichtigste Erfolge
Schaden-Assistent für 240'000 Dokumente. RAG-Assistent für die Schadenbearbeitung eines Versicherers aufgebaut: 240'000 Dokumente indexiert, Bearbeitungszeit pro Fall von 14 auf 6 Minuten gesenkt, Nutzerakzeptanz nach 6 Monaten bei 87 Prozent von 210 Sachbearbeitenden.
Nachfrageprognose für 1,2 Millionen Kombinationen. Forecasting-Plattform für Retail entwickelt: MAPE von 18 auf 11 Prozent verbessert, nächtliches Batch-Scoring von 1,2 Millionen Artikel-Filial-Kombinationen in 35 Minuten, Warenverluste um CHF 1,4 Millionen pro Jahr reduziert.
Governance-Nachweis ohne Projektstopp. AI-Inventar mit 18 Use Cases nach EU-AI-Act-Risikoklassen aufgebaut und ISO/IEC 42001 vorbereitet; externes Audit mit 0 Major Findings, Freigabeprozess für neue Use Cases von 8 auf 3 Wochen verkürzt.
Berufserfahrung
Senior AI Engineer — Alpstein Intelligence AG, Zürich, seit 03/2022
Zwölfköpfiges AI-Team; produktive LLM- und ML-Services für Versicherer und Banken, gehostet in Azure Switzerland North.
- RAG-Plattform mit Hybrid-Suche und Reranking gebaut: mittlere Antwortzeit von 9 auf 1,8 Sekunden, Halluzinationsrate von 12 auf 3 Prozent
- Inferenzkosten pro 1'000 Anfragen durch Caching, Routing und Quantisierung von CHF 4.20 auf CHF 0.90 gesenkt, Jahreseinsparung CHF 340'000
- MLOps-Pipeline mit MLflow, Kubernetes und Argo CD etabliert: Deployment-Zyklus von 6 Wochen auf 4 Tage, 18 Modelle mit Drift-Monitoring im Betrieb
- 3 Junior Engineers eingearbeitet und Code-Review-Standard eingeführt, Anteil getesteter Pipelines von 45 auf 92 Prozent erhöht
Machine Learning Engineer — Limmat Analytics AG, Zug, 08/2019 - 02/2022
Datenplattform für Retail- und Logistikkunden auf Databricks; Verantwortung für Forecasting- und Personalisierungsmodelle.
- Nachfrageprognose mit Gradient Boosting und hierarchischer Reconciliation entwickelt: MAPE von 18 auf 11 Prozent verbessert
- Feature Store für 2 TB Verkaufsdaten aufgebaut, Feature-Wiederverwendung über 6 Modelle, Trainingslaufzeit von 5 Stunden auf 40 Minuten reduziert
- Empfehlungsmodell im A/B-Test mit 180'000 Nutzenden validiert: 4,5 Prozent höherer Umsatz pro Session bei stabiler Latenz unter 120 ms
- Monitoring-Dashboard für Datenqualität eingeführt, Pipeline-Ausfälle pro Monat von 7 auf 1 gesenkt
Data Scientist (Computer Vision) — Vorai Systems GmbH, St. Gallen, 09/2017 - 07/2019
Industrielle Bildverarbeitung für Zulieferer der Medizintechnik; Edge-Deployment direkt an den Produktionslinien.
- Defekterkennung mit CNN-Modellen auf 45'000 annotierten Bildern trainiert: F1-Score 0,94, Ausschussquote um 22 Prozent reduziert
- Modelle auf 6 Produktionslinien per NVIDIA Jetson ausgerollt, Inferenzzeit 40 ms pro Bild bei 1'800 Teilen pro Stunde
- Annotationsprozess mit Active Learning halbiert: Labelaufwand von 320 auf 150 Stunden pro Modellversion
- Validierungsdokumentation für regulierte Kunden erstellt, 2 Kundenaudits ohne Beanstandung begleitet
Ausbildung
Master of Science ETH, Data Science — ETH Zürich · 2017
Bachelor of Science FH, Informatik, Vertiefung Data Engineering — FHNW Brugg-Windisch · 2015
CAS, Machine Learning and Data Science — Hochschule Luzern (HSLU) · 2021
Microsoft Certified: Azure AI Engineer Associate (AI-102), 2023 · Databricks Certified Machine Learning Professional, 2022 · ISO/IEC 42001 Lead Implementer (AI-Managementsystem), 2024 · AWS Certified Machine Learning - Specialty, 2020