Senior Backend Engineer - Search & Discovery (all genders)

• Entwicklung der Search Engine hinter ABOUT YOU mit Fokus auf Query Understanding, Entity Resolution und semantischer Vektorsuche in Node.js/TypeScript
• Kombination von OpenSearch-Relevanz, Embedding-Similarity und verhaltensbasierten Re-Ranking-Signalen zu einheitlichen und relevanten Suchergebnissen
• Aufbau und Weiterentwicklung von Search-Index-Pipelines für Entities, Synonyme und k-NN-Produktvektoren, die Daten aus BigQuery in OpenSearch übertragen
• Integration von LLMs und Embedding-Modellen wie Gemini und Vertex AI unter strengen Latenzvorgaben – inklusive Caching- und Fallback-Mechanismen
• Sicherstellung der Suchqualität durch Golden Lists, Regression Suites und kontinuierliche A/B-Experimente
• Mitgestaltung der Architektur gemeinsam mit unserem Tech Lead sowie enge Zusammenarbeit mit Data Analysts, Engineers und Product Managern

• Du hast Spaß daran, dem „Warum“ hinter Suchergebnissen auf den Grund zu gehen und daraus konkrete technische Verbesserungen abzuleiten
• 5+ Jahre Erfahrung in der Entwicklung skalierbarer, latenzarmer Backend-APIs, idealerweise mit Node.js/TypeScript – alternativ bringst du Erfahrung mit Java, Go oder Kotlin mit und arbeitest dich schnell in neue Technologien ein
• Tiefgehende praktische Erfahrung mit Elasticsearch/OpenSearch, insbesondere mit Mappings, Custom Analyzern, Percolators und Scoring Functions – über die reine Nutzung von Query Clients hinaus
• Ausgeprägtes algorithmisches Verständnis für gerankte Daten, etwa beim Zusammenführen und Deduplizieren von Ergebnissen, beim Kombinieren von Scores und bei der Abwägung von Latenz und Ergebnisqualität
• Du hast Interesse daran, Backend Engineering und Machine Learning zu verbinden und Model Scores, Embeddings oder LLM-Features in produktiven Systemen bereitzustellen
• Sehr gute Kommunikation auf Englisch sowie eine pragmatische und datenorientierte Arbeitsweise mit ausgeprägter Neugier für neue Fragestellungen

Nice to have

• Grundkenntnisse im Bereich Information Retrieval und NLP, beispielsweise Tokenisierung, mehrsprachige Suche oder Frameworks zur Bewertung von Suchrelevanz
• Erfahrung mit Vektorsuche, etwa mit k-NN/HNSW-Indizes und SigLIP-Embeddings sowie bei der Optimierung des Verhältnisses von Recall und Latenz
• Praxiswissen im LLM Engineering, zum Beispiel bei Prompt Caching, der Definition von Timeout-Budgets oder Datadog LLM Observability
• Vertrautheit mit BigQuery, dbt oder Dagster und entsprechenden Data-Pipelines