Machine Learning im Medizinprodukt: Was wir von „Adrian Schiegl, Head of Data Science von XUND“ über Kultur, Hiring und Engineering-Exzellenz gelernt haben

Ein Team, das Technologie ernst nimmt – und Verantwortung noch ernster

Wenn ein Unternehmen sagt, es sei technologiegetrieben, schauen wir als DevJobs.at-Redaktion genauer hin: Wie ist das Team aufgestellt? Welche Prozesse untermauern die Ambition? Und wie werden Tech-Talente rekrutiert und weiterentwickelt? In der Session „Adrian Schiegl, Head of Data Science von XUND“ haben wir dazu eine klare, praxisnahe Antwort bekommen.

XUND verteilt seine Engineering- und Data-Funktionen auf zwei Standorte – Budapest und Wien. „Zurzeit sind wir ungefähr 15 Leute bei XUND, die im Bereich Softwareentwicklung und Data Science arbeiten. Das macht so circa 50 Prozent unserer Mitarbeiter aus. Also wir sind ein sehr technologiegetriebenes Startup.“ Die Daten- und ML-Kompetenz bündelt XUND in Wien. Dort sitzt das Data-Science-Team, heute noch klein, aber mit einer ambitionierten Roadmap: „Wir sind zu zweit drei Leute und haben vor bis Ende des Jahres auf das Dreifache zu wachsen, so ungefähr zehn Leute.“

Was dieses Team macht, ist ebenso klar wie fokussiert: „Unser Team, obwohl es ein Data Science Team ist, ist eigentlich ein Machine Learning Team. Wir beschäftigen uns ausschließlich mit Machine Learning und im medizinischen Bereich.“ Dazu kommt ein deutlicher Schwerpunkt auf Natural Language Processing (NLP) – und damit auf Deep Learning, Python und PyTorch. Die Brücke zwischen Forschung und Produkt schlägt XUND in einem regulierten Umfeld: als Medizinprodukthersteller mit entsprechenden Qualitätsstandards, Datenschutzanforderungen und einem klaren Anspruch an vertrauenswürdige, robuste Modelle.

Struktur und Standort: Wie XUND Engineering organisiert

Die Teamaufstellung ist präzise umrissen: In Wien bilden Data Scientists, Data Engineers und Machine Learning Engineers den Kern. „In meinem Team befinden sich ausschließlich Data Scientists, Data Engineers, Machine Learning Engineers. Natürlich, wenn das Team wachsen wird, werden auch weitere Rollen möglich sein.“ Das Entwicklungs-Team in Budapest dient als Vorbild für Software-Engineering-Praktiken, die man bewusst in die ML-Arbeit überführt: GitLab für Versionsverwaltung, Continuous Integration und Regressionstests als Default, und insgesamt ein hoher Anspruch an Professionalität, Reproduzierbarkeit und Kollaboration.

Diese Aufteilung hat klare Vorteile: Während Wien das ML-Know-how mit Fokus auf NLP und Deep Learning bündelt, liefert Budapest die erprobten Delivery-Standards aus der Softwareentwicklung. In Summe entsteht so eine Engineering-Kultur, die Forschung mit Produktreife verbindet – und zwar ohne Kompromisse bei Qualität und Sicherheit.

Engineering-Kultur: Forschung, Produkt und Best Practices

XUND verbindet eine forschungsnahe Herangehensweise mit soliden Engineering-Methoden. Die ML-Arbeit passiert nicht in Isolation – und auch nicht nur auf Laptops. „Wir arbeiten auch zum großen Teil nicht auf unseren Laptops, weil wir keine Grafikkarten eingebaut haben, die stark genug sind. Deswegen arbeiten wir auch viel mit Cloud-Anbietern, die uns diese Grafikkarten und die 100 Kern-CPUs etc. zur Verfügung stellen.“ Das spiegelt realistische Produktionsbedingungen wider: Große NLP-Modelle, Deep-Learning-Workloads und anspruchsvolle Trainings erfordern leistungsfähige Infrastruktur – skalierbar, verfügbar und reproduzierbar.

Technologisch ist die Linie eindeutig: Python als Sprache, PyTorch als Deep-Learning-Framework, NLP als primäres Anwendungsfeld. Wer hier arbeitet, arbeitet an State-of-the-Art-Ansätzen – nicht nur im Sinne der Modellgüte, sondern vor allem an der Schnittstelle zur medizinischen Praxis mit hohen Anforderungen an Datenschutz, Sicherheit und Verlässlichkeit.

Gleichzeitig übernimmt das Team bewusst Software-Engineering-Standards aus Budapest: „Wir verwenden GitLab als Source-Control-System. Wir verwenden auch Continuous-Integration-Regression-Tests und versuchen generell, viele Prinzipien aus der Softwareentwicklung mit ins Data Science zu übernehmen, weil das Methoden sind, die sich über die Zeit erprobt haben.“ Dieses Statement ist zentral. Es zeigt, dass Data Science bei XUND nicht als Experimentierfeld verstanden wird, sondern als Ingenieursdisziplin mit hohen Ansprüchen an Codequalität, Testbarkeit und Wartbarkeit.

Forschung im regulierten Umfeld: Anspruch und Verantwortung

„Technische Herausforderungen gibt es bei uns zu Genüge.“ Das ist keine Floskel, wenn man in der Medizin mit KI arbeitet. XUND kooperiert mit Universitäten und medizinischen Einrichtungen, richtet Projekte auf Publikationen aus und strebt nach Leistungsfähigkeit nah am State of the Art. Doch der entscheidende Zusatz ist der medizinische Kontext: „Außerdem muss das Ganze natürlich, weil wir uns in der Medizin bewegen … die Privatsphäre der Patienten respektieren, … Modelle entwickeln, die vertrauenswürdig sind, die man dann auch guten Gewissens in die echte Welt loslassen kann, dass sie robust funktionieren und im Notfall auch den Input von Menschen mit einbeziehen. Beziehungsweise manchmal ist das sogar die primäre Anforderung.“

Diese Passage macht deutlich, worum es wirklich geht: Nicht nur um Accuracy oder F1-Score, sondern um Verantwortung. Vertrauenswürdige KI im Gesundheitsbereich verlangt Datensparsamkeit, Stabilität, Robustheit und – wo notwendig – einen klaren Human-in-the-Loop. Für ML-Profis ist das ein attraktives Spannungsfeld: anspruchsvolle Modellierung mit konkretem Impact, aber immer unter klaren ethischen und regulatorischen Leitplanken.

Recruiting-Philosophie: Fair, fokussiert, respektvoll

Ein besonders starker Eindruck bleibt bei uns vom Recruiting-Prozess. Das Data-Science-Team ist „in jeden Schritt beim Recruiting“ involviert – von der Erstellung der Anforderungen bis zum Sichten der Lebensläufe. Auch die Founder sind eingebunden. Der Anspruch dahinter ist bemerkenswert: „Ein persönliches Anliegen ist es, nicht die Zeit von den Bewerbern zu verschwenden.“ Deshalb hat XUND den Prozess schlank und transparent gestaltet.

Der 3-stufige Prozess im Überblick

1. Erstes Gespräch: Ein Kennenlernen mit Adrian Schiegl und einem Founder, um Erwartungen abzugleichen. Zentrale Frage: Passen Team, Rolle und Person so zusammen, dass sich alle wohlfühlen?
2. Technisches Gespräch: Statt Rätselraten und IQ-Puzzles gibt es eine praxisnahe Aufgabe. „Mich interessiert es nicht, irgendwelche Intelligenztests zu machen, weil ich nicht glaube, dass das aussagekräftig ist über die spätere Jobperformance.“ Die Übung ist realitätsnah und zeitlich begrenzt – Respekt für die Zeit der Kandidatinnen und Kandidaten hat oberste Priorität.
3. Abschlussgespräch: Klärung der Arbeitsvereinbarung. Hier ist das Data-Science-Team nicht mehr dabei – bewusst, weil die fachliche Eignung bereits gezeigt wurde und nun Formalia im Vordergrund stehen.

Diese Haltung trifft einen Nerv: Viele Tech-Profis wünschen sich einen fairen, relevanten und gut getakteten Prozess. XUND liefert genau das – und räumt dabei dem Team eine Schlüsselrolle ein. So wird schon im Recruiting sichtbar, wie die Zusammenarbeit im Alltag funktionieren soll: fachlich fokussiert, respektvoll, auf Augenhöhe.

Onboarding: Qualität, Vision, Praxis

Das Onboarding ist kurz, aber inhaltlich klar priorisiert – passend zu einem Team, das noch wächst und gleichzeitig in einem regulierten Umfeld arbeitet.

• Qualitätsmanagement: „Am Anfang findet eine Einführung in unser Qualitätsmanagementsystem statt, weil wir eben ein Medizinprodukthersteller sind.“ Alle Mitarbeitenden müssen die relevanten Standards kennen, um sie später im Arbeitsalltag verankern zu können.
• Vision und Ethik: Es folgt ein Onboarding mit den Foundern, „wo über die Vision … über ethische Grundsätze und dergleichen diskutiert wird.“ Damit wird gleich zu Beginn deutlich, woran man arbeitet – und warum.
• Technisches Onboarding: „… bei dem wir … den neuen Hire in die verschiedenen Tools … einführt, zeigt, wo unsere Dokumentation sich befindet … und dann Möglichkeiten zu finden, die Dokumentation abzutaten.“ Bemerkenswert ist hier die Erwartungshaltung: „Wir erwarten … nicht, dass die Person von Tag 1 oder Woche 1 superproduktiv ist. Und wir geben den Leuten auch die Möglichkeit, am Job zu lernen und … gewisse neue Fähigkeiten zu erlangen.“

Diese Kombination – Standards, Werte, Werkzeuge – schafft Orientierung, bevor es in die Tiefe geht. Und sie signalisiert Lernoffenheit: Wer in ein forschungsnahes ML-Umfeld einsteigt, bekommt Zeit und Raum, um sich einzuarbeiten und weiterzuentwickeln.

Tech-Stack und Arbeitsweise: Python, PyTorch, Cloud – und Disziplin

XUNDs Technologieentscheidungen sind fokussiert:

• Python als primäre Sprache für Data Science und Machine Learning
• PyTorch als Deep-Learning-Framework, insbesondere für NLP
• Cloud-Ressourcen für GPU- und CPU-intensive Workloads („100 Kern-CPUs“) statt Workarounds auf lokalen Laptops
• Versionsverwaltung mit GitLab
• Continuous Integration und Regressionstests für Stabilität und Reproduzierbarkeit
• Übernahme bewährter Software-Engineering-Prinzipien in Data-Science-Workflows

Für Bewerbende heißt das: Hier wartet keine Legacy-Wüste, sondern ein modernes Setup, das echten ML-Betrieb und reproduzierbare Forschung ermöglicht – mit klaren Qualitätskriterien. Wer gern sauber arbeitet, automatisiert testet und ML nicht als „reines Experiment“ versteht, findet hier die richtige Umgebung.

Zusammenarbeit mit Forschung und Klinik: Publizieren und Produktisieren

„Wir arbeiten oft mit Universitäten und medizinischen Einrichtungen innerhalb von Forschungsprojekten, wo wir dann auch versuchen zu publizieren und möglichst nah an State-of-the-Art-Modelle heranzukommen.“ Für viele ML-Profile ist das die ideale Mischung: wissenschaftlicher Anspruch und reale Datendomänen, kombiniert mit Produktanforderungen wie Robustheit, Datenschutz und Vertrauenswürdigkeit.

Das schafft interessante Karrierepfade innerhalb des Teams: Wer in der Modellforschung zu Hause ist, kann an SOTA-Methoden arbeiten. Wer gern Systeme produktiv macht, kann sich in MLOps-ähnlichen Themen austoben – Build- und Teststrecken, CI, Regressionstests, Monitoring und Cloud-Execution. Und wer die Brücke zur Domäne schlagen will, bringt klinische Anforderungen mit ML-Praxis zusammen – inklusive Human-in-the-Loop-Szenarien, wo das die primäre Anforderung ist.

Kulturmerkmale, die im Alltag spürbar sind

Aus der Session zeichnen sich klare Kulturpfeiler ab:

• Praxis vor Puzzle: Technische Eignung wird an realitätsnahen Aufgaben gemessen, nicht an Intelligenztests.
• Zeitrespekt: Übungen sind zeitlich begrenzt, der Interviewprozess ist auf drei Schritte fokussiert.
• Qualität zuerst: Als Medizinprodukthersteller sind Standards nicht optional – sie strukturieren Onboarding und Entwicklung.
• Lernen am Job: Niemand muss am ersten Tag „superproduktiv“ sein. Weiterbildung ist eingeplant und gewollt.
• Forschung mit Verantwortung: SOTA-Anspruch trifft auf Datenschutz, Robustheit und Vertrauenswürdigkeit.
• Software-Disziplin für Data Science: GitLab, CI und Regressionstests sind gelebte Praxis.

Diese Punkte zeigen ein bewusst gestaltetes Umfeld, das langfristig tragfähig ist: ambitioniert, aber geerdet; schnell, aber nicht hektisch; lernorientiert, aber mit klaren Qualitätskorridoren.

Gründe, warum Tech-Talente XUND attraktiv finden

Aus unserer Sicht spricht vieles dafür, dass ML- und Software-Profis hier ihr ideales Wirkungsfeld finden:

• Wirkungsnahes Arbeiten: ML im medizinischen Bereich mit klarer Verantwortung und echtem Nutzen.
• Moderne ML-Praxis: NLP, Deep Learning, PyTorch, Cloud-GPUs – ohne Bastellösungen.
• Saubere Engineering-Basis: Versionskontrolle, CI, Regressionstests und ein Denken in Prinzipien.
• Faire Candidate Experience: Schlanker, relevanter, respektvoller Recruiting-Prozess.
• Lernkultur: Zeit zum Ankommen, Möglichkeit, neue Fähigkeiten „on the job“ aufzubauen.
• Forschungspartnerschaften: Zusammenarbeit mit Universitäten und medizinischen Einrichtungen, inklusive Publikationsmöglichkeiten.
• Wachsende Bühne: Ein Team im Aufbau – mit Platz für Verantwortung, Gestaltung und neue Rollen.

Wer fachlich wachsen und gleichzeitig Sinn in seiner Arbeit sehen will, findet hier eine seltene Kombination.

Welche Profile gut passen

XUND sucht im Data-Science-Umfeld Profile mit ML-Fokus und Software-Engineering-Verständnis. Der Stack und die Arbeitsweise deuten auf folgende Schnittmengen hin:

• Data Scientists, Machine Learning Engineers, Data Engineers mit solidem Python-Background
• Erfahrung mit Deep Learning (PyTorch), idealerweise im NLP-Kontext
• Vertrautheit mit Versionskontrolle (GitLab), CI und Testkultur
• Bereitschaft, Cloud-Ressourcen effizient zu nutzen (GPU-/CPU-intensive Workloads)
• Interesse an Forschung und Zusammenarbeit mit akademischen/medizinischen Partnern
• Sensibilität für Datenschutz, Vertrauenswürdigkeit und robuste Systeme
• Offenheit für Human-in-the-Loop-Designs in produktiven Workflows

Wichtig ist: Nicht jede Fähigkeit muss am ersten Tag perfekt sitzen. Das Team rechnet mit Lernkurven und unterstützt gezielt beim Aufbauen neuer Kompetenzen.

Wachstum mit Plan: Rollenvielfalt und Verantwortung

Mit der geplanten Verdreifachung des Wiener ML-Teams bis etwa zehn Personen entsteht natürlicherweise mehr Rollenvielfalt. „Wenn das Team wachsen wird, werden auch weitere Rollen möglich sein.“ Für Talente bedeutet das, dass Führung, Architekturverantwortung, Methoden-Ownership oder Schnittstellenrollen zum Qualitätsmanagement entstehen können. Entscheidend bleibt dabei die Kultur: praxistaugliche Methoden, Respekt für Zeit und Fokus, und ein durchdachtes Onboarding, das Qualität, Vision und Tools zusammenführt.

Zitate, die hängen bleiben

Einige Aussagen aus der Session kondensieren die Kultur in knappen Sätzen:

Diese Sätze stehen nicht isoliert – sie werden bei XUND in konkrete Prozesse und Praktiken übersetzt.

Unser Fazit

„Adrian Schiegl, Head of Data Science von XUND“ hat uns einen selten klaren Blick in ein ML-Team gegeben, das seine Verantwortung ernst nimmt und Engineering-Solidität als Grundlage versteht. Die Mischung aus Forschung und Produkt, der medizinische Kontext, die Lernkultur und ein fairer Recruiting-Prozess zeichnen ein Umfeld, das anspruchsvoll ist und zugleich realistisch bleibt. Wer in NLP und Deep Learning zuhause ist, Python und PyTorch beherrscht und Spaß an Cloud-gestützter ML-Entwicklung mit sauberem CI- und Test-Setup hat, findet hier eine Arbeit, die technisch fordert und inhaltlich Sinn stiftet.

Von der Teamstruktur über die Tools bis zum Onboarding: XUND zeigt, wie man Machine Learning im regulierten Umfeld auf solide Beine stellt – mit Pragmatismus, Sorgfalt und einem klaren Blick auf das, was am Ende zählt: vertrauenswürdige, robuste Modelle, die Menschen wirklich helfen.