Cover Letter

Anschreiben für Machine Learning Engineer: Aufbau, Beispiele und die richtigen Formulierungen

Ein Anschreiben für eine Machine-Learning-Engineer-Stelle entscheidet sich nicht über Floskeln, sondern über konkrete Beweise: Welches Modell haben Sie gebaut, welches Problem hat es gelöst, welche Zahl beweist den Erfolg? Recruiter und Hiring Manager in technischen Teams überfliegen Anschreiben in unter 30 Sekunden und suchen gezielt nach einem greifbaren Aufhänger statt generischer Motivation. Dieser Guide zeigt Ihnen einen konkreten Einstieg, einen Hauptteil mit belastbaren Kennzahlen und einen Abschluss, der zum nächsten Schritt einlädt – plus die häufigsten Fehler, die ein technisches Anschreiben sofort entwerten.

Build Your Cover Letter

Example

Example Cover Letter

Opening

Als ich das Empfehlungssystem Ihres Berliner Produktteams getestet habe, ist mir aufgefallen, dass die Kaltstart-Problematik bei neuen Nutzerinnen und Nutzern noch ungelöst zu sein scheint – genau das Problem, das ich in den letzten zwei Jahren bei meinem aktuellen Arbeitgeber mit einem hybriden Empfehlungsmodell gelöst habe, das die Konversionsrate neuer Nutzer um 22% gesteigert hat.

Body

In meiner aktuellen Position habe ich ein Deep-Learning-Modell zur Betrugserkennung von der ersten Datenexploration bis zum produktiven Deployment auf Kubernetes verantwortet. Durch den Wechsel von einem klassischen Gradient-Boosting-Ansatz zu einem Transformer-basierten Modell konnte ich die False-Positive-Rate von 4,1% auf 1,3% senken, bei gleichzeitiger Steigerung der Erkennungsrate um 18 Prozentpunkte. Da Inference-Geschwindigkeit für das Team entscheidend war, habe ich das Modell zusätzlich per Quantisierung und ONNX-Export optimiert, wodurch sich die Antwortzeit von 340ms auf 95ms reduzierte – bei einem täglichen Volumen von über 2 Millionen Transaktionen ein Unterschied, der sich direkt in Serverkosten niederschlug (Einsparung von rund 30% der Inference-Infrastrukturkosten). Genau diese Kombination aus Modellqualität und Produktionsreife ist es, die ich in Ihr Team einbringen möchte, insbesondere weil Ihre Stellenausschreibung explizit MLOps-Erfahrung und Skalierung auf Millionen-Nutzer-Niveau nennt.

Closing

Ich würde mich freuen, in einem Gespräch zu zeigen, wie ich die genannte Skalierungsproblematik Ihres Empfehlungssystems konkret angehen würde. Über eine Einladung zum Kennenlernen freue ich mich sehr.

Tips

Dos and Don'ts

Do

Nennen Sie mindestens eine konkrete Kennzahl aus einem echten Projekt (Accuracy, Latenz, Kosteneinsparung, Skalierung) statt allgemeiner Begeisterung für KI.
Beziehen Sie sich auf ein konkretes Detail aus der Stellenausschreibung oder dem Produkt des Unternehmens, um zu zeigen, dass Sie sich wirklich damit beschäftigt haben.
Erklären Sie kurz die Entscheidung hinter einem Modellansatz (z. B. warum Transformer statt klassischem ML), um technische Tiefe zu zeigen, nicht nur Tool-Namen.
Halten Sie das Anschreiben auf eine Seite und kommen Sie im ersten Satz zur Sache.
Zeigen Sie, dass Sie den Unterschied zwischen Forschung und Produktion verstehen, indem Sie Deployment- oder Monitoring-Erfahrung explizit erwähnen.
Passen Sie den Bezug zum Unternehmen für jede Bewerbung individuell an – generische Anschreiben werden von erfahrenen Hiring Managern sofort erkannt.

Don't

Beginnen Sie nicht mit 'Hiermit bewerbe ich mich auf die ausgeschriebene Stelle als...' – das ist die unauffälligste und am wenigsten überzeugende Eröffnung, die es gibt.
Zählen Sie nicht einfach alle Tools und Frameworks auf, die im Lebenslauf ohnehin schon stehen – das Anschreiben soll Kontext liefern, keine Liste wiederholen.
Vermeiden Sie vage Selbstbeschreibungen wie 'leidenschaftlicher KI-Enthusiast' ohne jeden Beleg.
Verzichten Sie auf übertriebene Buzzwords wie 'KI-Revolution' oder 'Weltklasse-Modelle', wenn Sie sie nicht mit Zahlen unterlegen können.
Schreiben Sie nicht mehr als eine Seite – ein zu langes Anschreiben wirkt bei technischen Rollen unstrukturiert.
Wiederholen Sie nicht wortgleich, was im Lebenslauf steht – jeder Satz im Anschreiben sollte zusätzlichen Kontext oder eine Begründung liefern.

Ideal Length & Format

Ein Anschreiben für eine Machine-Learning-Engineer-Stelle sollte maximal eine DIN-A4-Seite bzw. 250–350 Wörter umfassen – kurz genug, um in unter einer Minute gelesen zu werden, aber lang genug für eine konkrete Erfolgsgeschichte mit Kennzahlen.

FAQ

Häufig gestellte Fragen

Bei vielen internationalen Tech-Unternehmen ist es optional, bei deutschen Konzernen und im Mittelstand aber häufig noch fester Bestandteil der Bewerbung. Selbst wenn es optional ist, kann ein starkes Anschreiben mit konkreten Kennzahlen Sie von technisch ähnlich starken Kandidaten abheben.

Nein. Wählen Sie die zwei bis drei relevantesten Anforderungen aus und belegen Sie sie mit einer konkreten Erfolgsgeschichte, statt jede genannte Technologie oberflächlich zu erwähnen.

Nutzen Sie konkrete Studien-, Abschlussarbeits- oder Kaggle-Projekte mit messbaren Ergebnissen (z. B. Platzierung, Accuracy, Datenmenge) als Ersatz für fehlende Berufserfahrung – Konkretheit zählt mehr als Senioritätslevel.

Orientieren Sie sich an der Sprache der Stellenausschreibung. Viele deutsche KI-Teams schreiben Stellenanzeigen bewusst auf Englisch, weil das Team international ist – in dem Fall sollten Sie auch auf Englisch anschreiben.

Der zentrale Unterschied liegt im Nachweis von Modellqualität und Datenverständnis zusätzlich zur reinen Code- und Systemkompetenz – ein ML-Anschreiben sollte deshalb immer mindestens eine Kennzahl zur Modellperformance (Accuracy, Latenz, Business-Impact) enthalten.

Die Grundstruktur ja, aber der Bezug zum Unternehmen, die genannten Kennzahlen und der thematische Fokus (z. B. NLP vs. Computer Vision) sollten für jede Bewerbung angepasst werden.

Laden Sie sich jetzt die passende Anschreiben-Vorlage für Machine Learning Engineer herunter und passen Sie sie mit Ihren eigenen Projektzahlen an – in wenigen Minuten fertig mit cvwon.com.

Jetzt starten

Related

Similar Cover Letters

ERP-Berater

Technology

Softwareentwickler

Technology

Frontend-Entwickler

Technology

Backend-Entwickler

Technology

Full-Stack-Entwickler

Technology

Data Scientist

Technology