Abrechnung im deutschen Gesundheitswesen ist oft mühsam und wir wollen das ändern. Wir entwickeln automatisierte Lösungen für Abrechnungsstellen und Privatärzte. Dabei nutzen wir KI nicht als Schlagwort, sondern als Werkzeug, um Prozesse nach GOÄ schneller, präziser und vor allem verlässlicher zu machen.

Unser Team arbeitet verteilt über ganz Deutschland (mit einem Ankerpunkt in Hamburg). Was uns eint? Der Anspruch an Qualität, ein hohes Umsetzungstempo und die Überzeugung, dass Software im Medizinbereich extrem modern und gleichzeitig intuitiv sein muss.

Wen wir suchen

Wir suchen eine:n AI Engineer (m/w/d), um den technologischen Kern von Qodia weiterzuentwickeln. Bei uns geht es nicht um einfache API-Abfragen, sondern um das tiefere Verständnis von Sprache und medizinischen Logiken. Wir automatisieren komplexe Abrechnungsfälle, die höchste Präzision erfordern – hier ist „fast richtig“ nicht gut genug.

Du bist erfahren im Umgang mit Python und PyTorch und hast bereits aktiv LLMs oder Transformer-Modelletrainiert, gefinetuned oder für spezifische Domänen optimiert. Du verstehst die Architektur hinter den Modellen und weißt, wie man sie in einer produktiven Umgebung effizient und sicher einsetzt. In dieser Rolle bist du der Motor hinter unserer KI-Leistung und gestaltest direkt mit, wie intelligent unsere Automatisierung morgen ist.

Deine Aufgaben

• Modell-Entwicklung: Du konzipierst, trainierst und optimierst Transformer-Modelle, um medizinische Dokumente und GOÄ-Regelwerke präzise zu verarbeiten.
• KI-Architektur: Du entwickelst unsere KI-Infrastruktur weiter. Von der Datenaufbereitung über das Training bis hin zum Deployment in die Produktion.
• Performance & Qualität: Du evaluierst die Ergebnisse unserer Modelle kontinuierlich, minimierst Halluzinationen und stellst sicher, dass unsere KI-Leistung den hohen Standards im Gesundheitswesen entspricht.
  

Was du mitbringst

• Erfahrung: Du hast fundierte Kenntnisse in Python und PyTorch und bringst nachweisbare Erfahrung in der Arbeit mit LLMs (Fine-Tuning, RAG-Architekturen oder Custom Training) mit.
• Handwerk: Du denkst wissenschaftlich fundiert, arbeitest aber pragmatisch. Du verstehst die mathematischen Grundlagen von Deep Learning ebenso wie die Herausforderungen von Real-World-Daten.
• Haltung: Du hast einen hohen Anspruch an die Korrektheit deiner Ergebnisse und Freude daran, komplexe, unstrukturierte Daten in klare Mehrwerte zu verwandeln.