Een machine learning engineer zorgt dat modellen niet in een notebook blijven hangen, maar betrouwbaar werken in de praktijk. Hij ontwikkelt en traint modellen, maakt ze snel en schaalbaar, brengt ze in productie en houdt ze goed zolang ze gebruikt worden.

Waar een data scientist vaak het onderzoek doet en een AI engineer vooral toepassingen bouwt op bestaande modellen, combineert een ML engineer modelkennis met sterke software-engineering.

Wat doet een machine learning engineer?

Kerntaken

• Machine learning-modellen ontwikkelen, trainen en optimaliseren.
• Modellen in productie brengen, zodat systemen en gebruikers ze kunnen aanroepen.
• Pijplijnen bouwen voor training, evaluatie en hertraining.
• Prestaties bewaken: nauwkeurigheid, snelheid, kosten en veranderingen in de data (drift).
• Samenwerken met data scientists om prototypes productierijp te maken.

Waarmee werkt een ML engineer?

Met Python, machine learning-bibliotheken en frameworks voor deep learning, cloudplatforms en tooling voor het versioneren, uitrollen en monitoren van modellen. Vaak samen met containers en CI/CD.

Met wie werkt hij samen?

Met data scientists, data engineers, MLOps engineers en de productteams die de modellen gebruiken.

Wanneer heb je een machine learning engineer nodig?

• Modellen blijven in de proeffase. Er zijn veelbelovende resultaten, maar niemand brengt ze in productie.
• Je wilt eigen modellen op eigen data. Voorspellen, classificeren of herkennen, waar standaardmodellen niet volstaan.
• Modellen presteren minder dan verwacht. Ze zijn traag, duur of worden slechter naarmate de data verandert.
• Machine learning wordt kern van je product. Dan moet het net zo betrouwbaar zijn als de rest van je software.

Wil je vooral toepassingen bouwen op bestaande taalmodellen? Dan is een AI engineer meestal de betere keuze. Zie Verschil AI engineer en ML engineer.

Welke vaardigheden heeft een goede ML engineer?

Technische vaardigheden

• Sterk in Python en software-engineering.
• Diepe kennis van machine learning en, waar relevant, deep learning.
• Ervaring met het in productie brengen en monitoren van modellen.
• Kennis van cloudplatforms en data-infrastructuur.

Praktische vaardigheden

• Weegt nauwkeurigheid af tegen snelheid, kosten en onderhoud.
• Bouwt reproduceerbaar: dezelfde data en code geven hetzelfde model.
• Denkt vooruit over hertraining en veranderende data.

Soft skills

• Werkt goed samen met data scientists en productteams.
• Legt de beperkingen van een model eerlijk uit.
• Neemt eigenaarschap voor wat er in productie draait.

Vast, interim of freelance?

Vast als machine learning een blijvend onderdeel is van je product of processen. Tijdelijk voor een afgebakende klus, zoals een eerste model in productie brengen of een bestaand platform verbeteren. Regel de overdracht, zodat je team het model daarna kan beheren.

ML engineer werven met Hyrion

1. De rol afbakenen. Vooral modelleren, vooral in productie brengen, of beide? Welke schaal en welke stack?
2. Gericht benaderen. ML engineers met aantoonbare productie-ervaring zijn schaars en zoeken zelden actief.
3. Technisch doorvragen. Welke modellen draaiden echt in productie, en hoe werden ze bewaakt?
4. Eerlijk advies. Past een AI engineer of data scientist beter bij je vraag, dan hoor je dat.

Voorbeeld functieprofiel: Machine Learning Engineer (senior)

Een realistisch voorbeeld; pas het aan op jouw situatie.

Over de rol
Je brengt onze machine learning-modellen van prototype naar betrouwbare productie, en houdt ze goed zolang ze gebruikt worden.

Wat je doet

• Je ontwikkelt en optimaliseert modellen samen met data scientists.
• Je bouwt pijplijnen voor training, evaluatie en uitrol.
• Je bewaakt prestaties en drift in productie.
• Je verbetert de ML-infrastructuur van het team.

Wat je meebrengt

• Meerdere jaren ervaring met machine learning in productie.
• Sterk in Python en software-engineering.
• Ervaring met cloudplatforms en MLOps-tooling.
• Je legt technische afwegingen helder uit.

Waarom Hyrion

We kennen het verschil tussen ML op papier en ML in productie. Daar selecteren we op.

Geen groot netwerk. Een relevant netwerk. We kennen de engineers die modellen echt laten draaien.

Veelgestelde vragen