Google Machine Learning Engineer: Lebenslauf-Keywords und Interviewvorbereitung

Du willst dich als Machine Learning Engineer bei Google bewerben und weißt nicht, welche Begriffe im Lebenslauf landen müssen, damit deine Bewerbung überhaupt gelesen wird. Gleichzeitig hast du keinen Plan, wie tief die technische Prüfung geht. Beides hängt zusammen: Wer den falschen Schwerpunkt setzt, verschwendet Wochen auf Vorbereitung, die niemand abfragt.

Der wichtigste Satz vorweg: Ich kenne Googles interne Bewertungsraster nicht, und niemand außerhalb des Unternehmens kennt es vollständig. Was ich hier beschreibe, basiert auf dem, was Google selbst öffentlich kommuniziert, und auf dem, was Kandidatinnen und Kandidaten in Deutschland regelmäßig berichten. Alles andere wäre Gerüchteküche.

Was die Rolle tatsächlich verlangt#

Google unterscheidet zwischen verschiedenen Engineering-Rollen, und die Bezeichnungen wechseln gelegentlich. Für Machine Learning Engineer Stellen steht in den öffentlichen Stellenanzeigen fast immer dasselbe im Mittelpunkt: saubere Softwareentwicklung, Erfahrung mit ML-Modellen im Produktivbetrieb, und die Fähigkeit, Probleme von der Datenbeschaffung bis zum Deployment durchzudenken.

Das ist kein Data Scientist Job im Sinne von Notebooks und Analysen. Google erwartet, dass du Code schreibst, der in Produktion läuft, und dass du verstehst, was passiert, wenn dein Modell auf echten Daten versagt.

Schau dir die konkrete Stellenanzeige genau an. Die Anforderungen unterscheiden sich je nach Team deutlich. Für eine Stelle im Bereich Search gelten andere Schwerpunkte als für eine Position im Cloud-Umfeld oder bei DeepMind. Nutze den kostenfreien Job Decoder, um aus der Anzeige die relevanten Anforderungen herauszuarbeiten, bevor du deinen Lebenslauf anpasst.

Lebenslauf: Keywords, die zählen#

Der Lebenslauf wird bei Google mit hoher Wahrscheinlichkeit zunächst automatisiert verarbeitet. Das bedeutet nicht, dass dort ein simpler Keyword-Matcher läuft, aber es bedeutet, dass Fachbegriffe aus der Anzeige in deinem Dokument auftauchen sollten. Nicht als Wortliste am Ende, sondern eingebettet in echte Erfahrungsbeschreibungen.

Folgende Begriffe tauchen in deutschen und internationalen Stellenanzeigen für diese Rollen regelmäßig auf:

• Python, C++, Java, Go, SQL
• TensorFlow, PyTorch, JAX, Keras
• Machine Learning, Deep Learning, Neural Networks
• Model Training, Model Evaluation, Model Deployment
• MLOps, CI/CD, Kubeflow, TFX, Vertex AI
• Distributed Systems, Large-scale Data Processing
• Data Pipelines, Feature Engineering, Data Quality
• LLM, NLP, Computer Vision, Recommendation Systems
• Google Cloud Platform, BigQuery, GCS, Dataproc
• Kubernetes, Docker, Terraform

Nicht alle Begriffe gehören in deinen Lebenslauf. Nur die, die du tatsächlich belegen kannst. Ein Keyword, das du im Interview nicht erklären kannst, ist schlimmer als ein fehlendes.

Ein konkretes Beispiel für eine Bullet

Schlecht, weil vage und ohne Beleg: "Verantwortlich für Machine-Learning-Modelle im Bereich Kundenanalyse."

Besser, mit Technologie, Umfang und Ergebnis: "Trainierte und deployte ein Churn-Vorhersagemodell in PyTorch auf Vertex AI, das täglich 2 Millionen Transaktionen verarbeitete und die manuelle Risikoprüfung im Kundenservice um rund 40 Prozent reduzierte."

Der Unterschied liegt nicht im Schreibstil. Er liegt darin, dass die zweite Version Google zeigt: Du hast Modelltraining gemacht, du kennst eine Deployment-Plattform, du arbeitest mit echten Datenmengen, und dein Ergebnis war messbar. Genau das wird in Interviews abgefragt.

Formatierung für automatisierte Systeme

Bevor du deinen finalen Lebenslauf einreichst, prüfe ihn mit dem kostenfreien ATS-Checker. Der zeigt dir, ob Spalten, Tabellen oder Grafiken die Lesbarkeit für automatisierte Systeme zerstören. Das ist ein häufiger Grund, warum inhaltlich gute Bewerbungen still scheitern.

Halte den Lebenslauf bei Google kurz. Für erfahrene Kandidaten sind zwei Seiten üblich, für Berufseinsteiger eine. Verzichte auf ein Foto, das ist in amerikanischen Bewerbungsprozessen unüblich und wird im deutschsprachigen Raum bei internationalen Tech-Firmen meist ebenfalls weggelassen.

Der deutsche Markt: Was anders ist#

Google hat Standorte in München, Hamburg und Berlin, und die Stellen dort laufen über deutsche Arbeitsverträge. Das bedeutet: deutsche Kündigungsfristen, deutsches Arbeitsrecht, oft Betriebsrat, und Gehälter, die sich am lokalen Markt orientieren.

Die Gehaltsspannen für ML Engineer Rollen bei Google Deutschland werden in Online-Datenbanken sehr unterschiedlich berichtet. Für erfahrene Kandidaten bewegen sich die genannten Gesamtvergütungen grob im Bereich von 80.000 bis 140.000 Euro, bei höheren Levels deutlich darüber. Die Spanne ist extrem abhängig von Erfahrung, Standort und Verhandlung. Prüfe die aktuellen Werte auf der offiziellen Google-Karriereseite und bei Gehaltsvergleichsportalen, bevor du eine Zahl nennst.

Ein zweiter Punkt für den deutschen Markt: Viele Stellen in München und Hamburg erfordern kein Deutsch, aber manche Teams arbeiten mit deutschsprachigen Kunden. Lies die Anzeige genau. Wenn dort Deutsch verlangt ist, ist das keine Formalie.

Interviewvorbereitung: die drei Säulen#

Google kommuniziert öffentlich, dass technische Interviews Coding, System Design und rollenspezifisches Fachwissen abdecken. Wie das konkret gewichtet wird, variiert je nach Level und Team. Plane für alle drei Bereiche Zeit ein.

Erstens Coding. Der Algorithmus- und Datenstrukturen-Teil ist real und er ist anspruchsvoll. Übe auf einer Plattform deiner Wahl, aber übe konzentriert, nicht passiv. Zwei Aufgaben mit Nachbesprechung sind besser als zehn durchgeklickte.

Zweitens System Design. Für Machine Learning Engineer Rollen kommt hier fast immer ML System Design dazu. Denke in End-to-End-Szenarien: Datensammlung, Feature-Store, Training, Evaluation, Deployment, Monitoring, Retraining.

Drittens ML-Fachwissen. Bias-Variance Tradeoff, Regularisierung, Gradient Descent, Aktivierungsfunktionen, Transformer-Architektur, Embeddings. Du musst das erklären können, nicht nur erkennen.

Eine konkrete Antwort

Die Frage: "Erkläre, wie du ein Modell entwickelst, das in einer App personalisierte Empfehlungen ausspielt."

Eine schwache Antwort: "Ich würde ein Deep-Learning-Modell trainieren und dann deployen."

Eine strukturierte Antwort: "Ich starte mit der Frage, was personalisiert bedeutet, und welche Daten überhaupt verfügbar sind. Typischerweise Nutzerverhalten, Item-Metadaten, Kontext wie Tageszeit oder Gerät. Dann baue ich eine Trainings-Pipeline, die diese Daten zu Features verarbeitet, mit einem Feature-Store, damit Training und Serving konsistent sind. Für das Modell selbst wäre ein Two-Tower-Ansatz mit Embeddings ein guter Startpunkt, weil er skalierbar ist und sich offline trainieren lässt. Die Evaluation läuft offline über Ranking-Metriken wie NDCG oder Recall, plus einen Online-Test mit einer kontrollierten Nutzergruppe. Im Betrieb überwache ich Feature-Drift und die Verteilung der Empfehlungen, weil Modelle still veralten. Wenn die Drift-Schwelle reißt, löst das automatisches Retraining aus."

Diese Antwort zeigt Struktur, technische Tiefe und Betriebserfahrung. Genau das sucht Google.

Vorbereitung in vier Wochen#

Wenn du vier Wochen Zeit hast, verteile sie so. Woche eins: Lebenslauf überarbeiten und Stellenanzeigen sichten. Woche zwei und drei: Coding-Übung täglich, parallel ML-Fachwissen wiederholen. Woche vier: System Design und Mock Interviews mit echten Menschen.

Praktische Checkliste für die letzten Tage vor dem Interview:

• Stellenanzeige nochmal lesen und die Kernanforderungen auf Karteikarten notieren
• Zwei Mock Interviews mit Freunden oder über Community-Plattformen durchführen
• Deine eigenen Projekte laut erklären, ohne Notizen
• Fragen an das Team vorbereiten, mindestens fünf konkrete
• Technik testen, falls Remote-Interview: Kamera, Mikrofon, stabile Verbindung
• Aktuelle Jobangebote im Blick behalten, falls sich passende Stellen geändert haben

Was ich selbst anders machen würde#

Ich habe in meiner eigenen Laufbahn Bewerbungen verschickt, in denen ich zu breit war. Ich wollte zeigen, dass ich alles kann. Das Ergebnis: keine Rückmeldung. Erst als ich meinen Lebenslauf auf die konkrete Anzeige zugeschnitten habe, kamen Einladungen. Breite ist kein Vorteil, Relevanz ist es.

Für aktuelle Stellen und weitere Artikel zur Bewerbung im Tech-Bereich lohnt ein Blick auf die aktuellen Jobangebote und unsere weiteren Beiträge im Karrierebereich.

Kostenlose Tools#

• jobrise.io/de/free-ats-checker/
• jobrise.io/de/free-jd-decoder/
• jobrise.io/de/jobs/
• jobrise.io/de/blog/

Häufige Fragen#

Wie lang sollte der Lebenslauf für eine Google Machine Learning Engineer Stelle sein?

Erfahrene Kandidaten reichen meist zwei Seiten ein, Berufseinsteiger eine. Entscheidend ist nicht die Länge, sondern dass jede Zeile eine relevante, belegbare Leistung beschreibt.

Brauche ich einen Abschluss in Informatik, um bei Google als ML Engineer einzusteigen?

Google nennt in vielen Stellenanzeigen einen Bachelor in Informatik oder eine vergleichbare Qualifikation als Voraussetzung, akzeptiert aber auch gleichwertige praktische Erfahrung. Lies die konkrete Anzeige, die Anforderungen unterscheiden sich je nach Level und Team.

Reicht es, Python zu können, oder brauche ich auch C++ oder Java?

Python reicht für viele ML-Rollen als Einstieg, aber C++, Java oder Go werden in bestimmten Teams erwartet, besonders im Bereich Performance und Infrastruktur. Prüfe die Anzeige, bevor du deine Lernzeit investierst.

Wie läuft der technische Teil bei Google ab, wenn ich in Deutschland interviewe?

Der Prozess läuft meist in Englisch, oft remote, und umfasst Coding-Aufgaben, System Design und ML-Fachwissen. Die genaue Reihenfolge und Anzahl der Runden variiert, Google gibt dazu keine feste öffentliche Struktur vor.

Sollte ich im Lebenslauf Gehaltsvorstellungen oder ein Foto angehalten?

Nein, beides ist bei Google unüblich. Gehaltsfragen kommen typischerweise erst im späteren Prozess, und Fotos werden in amerikanisch geprägten Bewerbungsprozessen bewusst weggelassen.