AI engineer en machine learning engineer: twee titels die in de markt vaak door elkaar worden gebruikt. Beide bouwen, beide werken met modellen, beide brengen iets in productie. Het verschil zit in waar ze mee bouwen.

Het verschil in één zin

Een AI engineer bouwt vooral toepassingen op bestaande modellen, zoals grote taalmodellen. Een machine learning engineer ontwikkelt en optimaliseert vaker eigen modellen op eigen data.

Naast elkaar

• Vertrekpunt: de AI engineer start meestal met een bestaand model; de ML engineer met data en een voorspel- of classificatievraag.
• Kernwerk: de AI engineer koppelt modellen aan je data en systemen, en bewaakt de kwaliteit van de uitkomsten; de ML engineer traint, test en optimaliseert modellen.
• Typische toepassingen: assistenten op eigen documenten en automatische tekstverwerking, tegenover vraagvoorspelling, fraudedetectie en beeldherkenning.
• Vaardigheden: beide sterk in Python en software-engineering; de ML engineer gaat dieper in statistiek en modeltraining, de AI engineer in integratie en evaluatie van taalmodellen.

Waarom de titels door elkaar lopen

De AI-engineerrol is grotendeels ontstaan met de opkomst van grote taalmodellen. Veel ML engineers doen inmiddels ook AI-engineeringwerk, en omgekeerd. Kijk bij het werven daarom niet alleen naar de titel, maar naar wat iemand echt heeft gebouwd.

Welke heb je nodig?

Een AI engineer als:

• je toepassingen wilt bouwen op bestaande taalmodellen;
• je een generatieve-AI-pilot naar productie wilt brengen;
• je AI-functies in je product wilt inbouwen.

Een machine learning engineer als:

• je eigen modellen wilt trainen op je eigen data;
• standaardmodellen niet goed genoeg zijn voor je vraag;
• modellen stabiel en schaalbaar in productie moeten draaien.

Veelgestelde vragen