# Machine Learning Engineer
De Machine Learning Engineer is verantwoordelijk voor de end-to-end ontwikkeling, implementatie en onderhoud van machine learning (ML) en artificial intelligence (AI) oplossingen. Deze rol vereist een sterke combinatie van data science, software engineering en MLOps expertise om robuuste, schaalbare en veilige AI/ML-systemen op te bouwen die complexe bedrijfsuitdagingen aanpakken.
## Verantwoordelijkheden
- Gevestigde machine learning en AI-technieken toepassen op nieuwe problemen en datasets
- Machine learning en AI-modellen en ondersteunende pipelines bouwen, optimaliseren en onderhouden
- ML/AI-systeemresultaten, modelperformance en datakwaliteit evalueren en monitoren; passende metriek en acceptatiecriteria definiëren
- Problemen in modellen, pipelines en datasets identificeren; verbeteringen aanbevelen en implementeren
- Gematigd complexe programma's/scripts ontwerpen, ontwikkelen, testen, documenteren, herzien en onderhouden ter ondersteuning van ML-ontwikkeling en -implementatie
- Afgesproken engineeringstandaarden, tools en best practices volgen om veilige, betrouwbare en onderhoudbare oplossingen op te leveren
- Voortgang monitoren, status rapporteren en risico's, blokkades en afhankelijkheden tijdig communiceren
- Met teamleden samenwerken via code reviews, design reviews en gezamenlijk eigendom van resultaten
- Vereisten uitvragen voor ML/AI lifecycle-praktijken, werkwijzen en automatisering (bijvoorbeeld CI/CD, testen, implementatie, monitoring)
- Passende lifecycle-praktijken selecteren en implementeren voor componenten en microservices binnen de ML/AI-oplossing
- Automatisering implementeren ter ondersteuning van goed-engineerde, herhaalbare en veilige build/release-processen
- ML/AI-modules definiëren die nodig zijn voor integratiebuilds en builddefinities produceren voor elke release/generatie van de oplossing
- Voltooide ML/AI-modules valideren en accepteren tegen afgesproken functionele, kwaliteits- en performancecriteria
- Data science-technieken toepassen op nieuwe problemen en datasets, met gespecialiseerde programmeringbenaderingen waar nodig
- Mogelijkheden identificeren en implementeren om trainingsgegevens, features en modelperformance te verbeteren
- Datapipelines bouwen en onderhouden met behulp van data engineering-standaarden en tools (ETL/ELT)
- Monitoring van opkomende technologieën ondersteunen en bijdragen aan interne rapporten, technologieroutes en kennisdeling
## Essentiële kwalificaties en ervaring
- 5+ jaar hands-on ervaring met het bouwen van ML/AI-oplossingen in Python
- Sterke basis in machine learning-concepten, software engineering en productieklaar ontwikkelingspraktijken
- Bewezen ervaring met het ontwerpen, ontwikkelen, optimaliseren en onderhouden van end-to-end AI/ML-pipelines (dataverwerking, training, evaluatie, implementatie en monitoring)
- Sterk track record in modelevaluatie en performancemeting, inclusief het definiëren van metriek, het uitvoeren van assessments en het monitoren van modelkwaliteit over tijd
- Ervaring met het toepassen en aanpassen van voorgetrainde modellen (inclusief Generative AI/LLMs) om specifieke zakelijke use cases op te lossen
- Solide ervaring met MLOps-praktijken: versiebeheer, experiment tracking, modelverpakking, implementatie, monitoring en automatisering
- Vaardigheid met CI/CD-pipelines en DevOps best practices (bijvoorbeeld Git-gebaseerde workflows, build/release-automatisering)
- Praktische ervaring met containerisatie (Docker, Podman) en orchestratie met Kubernetes, inclusief infrastructuurprovisioning en operationalisering in cloudomgevingen
- Ervaring met workflow orchestration tools zoals Apache Airflow en/of Argo Workflows
- Sterke ervaring met het bouwen en onderhouden van REST APIs, bij voorkeur voor het serveren van ML-modellen en AI-services
- Ervaring met SQL en NoSQL-databases
## Nice to have
- Ervaring met het bouwen van productieklaar AI agent backends, bijvoorbeeld met behulp van LangChain of pydantic-ai, gewikkeld in FastAPI-services
- Full-stack ervaring met TypeScript frameworks zoals Next.js
- Ervaring met werken in air-gapped / restricted-network omgevingen