Machine Learning Engineer (K09993)

Context opdracht : RSVZ is een dynamische organisatie waar meer dan 150 mensen werken binnen de dienst Informatica. RSVZ is een 2-talige omgeving, waar er zowel Franstalige als Nederlandstalige stakeholders zijn. De organisatiecultuur is informeel. Binnen IT wordt Agile SAFe (Scaled Agile Framework) gehanteerd en de development teams zijn multidisciplinair samengesteld.

Bij RSVZ willen we machine learning-oplossingen inzetten om processen te optimaliseren, beslissingen beter te ondersteunen en digitale dienstverlening te versterken. Daarbij ligt de focus op betrouwbare, schaalbare en onderhoudbare ML-oplossingen die effectief geïntegreerd kunnen worden in bestaande systemen en datastromen, zowel in een Azure-omgeving als op locatie.

We zijn op zoek naar een ML Engineer die verantwoordelijk is voor het bouwen en operationaliseren van machine learning-oplossingen in productie. De rol situeert zich op het snijvlak van data, software engineering en MLOps, met een duidelijke focus op robuuste implementatie, reproduceerbaarheid, monitoring, naleving van de regelgeving en continue verbetering.

De ML Engineer is verantwoordelijk voor het ontwerpen, bouwen, deployen en onderhouden van machine learning-modellen en ML-pipelines binnen RSVZ. Hij/zij zorgt ervoor dat modellen niet enkel performant zijn in experimenten, maar ook betrouwbaar, schaalbaar en beheersbaar functioneren in productie zowel op cloudinfrastructuren (Azure) als on-premise.

De ML Engineer werkt nauw samen met data engineers, developers, architecten en business stakeholders, en vertaalt ML-use cases naar duurzame technische implementaties die in overeenstemming zijn met de geldende regelgeving (met name de Europese AI-wet).

Belangrijkste verantwoordelijkheden:

• Datavoorbereiding en feature engineering
• Verwerken, analyseren en voorbereiden van data uit verschillende interne en externe bronnen.
• Ontwerpen en implementeren van datatransformaties en feature engineering-processen.
• Bewaken van datakwaliteit, consistentie en reproduceerbaarheid binnen ML-workflows.
• Samenwerken met relevante teams om data op een betrouwbare en herbruikbare manier beschikbaar te maken voor ML-use cases.
• Modelontwikkeling en validatie
• Ontwerpen, trainen, testen en tunen van machine learning-modellen voor use cases zoals classificatie, regressie, forecasting, detectie of scoring.
• Selecteren van geschikte technieken en evaluatiemethodes in functie van de use case en productiecontext.
• Uitvoeren van experimenten en benchmarken van modellen met aandacht voor kwaliteit, uitlegbaarheid en onderhoudbaarheid.
• Definiëren van duidelijke validatiecriteria voor modellen vooraleer deze in productie worden genomen.
• Operationaliseren van ML-oplossingen
• Vertalen van modellen en experimenten naar productieklare services en pipelines.
• Integreren van modellen in backend-services, API’s of batchprocessen.
• Implementeren van versiebeheer voor code, configuratie, modellen en relevante datasets.
• Bijdragen aan een gestandaardiseerde en betrouwbare deployment-aanpak voor ML-oplossingen
• Opzetten en onderhouden van ML-pipelines, CI/CD-processen en release-aanpak voor ML-componenten.
• Monitoring voorzien voor performantie, stabiliteit, latency, foutafhandeling, datadrift en modeldrift.
• Uitwerken van retraining- en feedbackmechanismen om modellen actueel en performant te houden.
• Waken over betrouwbaarheid, schaalbaarheid, cost control en operationele beheersbaarheid van ML-oplossingen.
• Samenwerking en kennisdeling :
• Afstemmen met developers, data engineers, architecten en business stakeholders over technische keuzes en implementatie.
• Bijdragen aan goede praktijken rond ML-engineering, testing, deployment en monitoring binnen RSVZ.
• Documenteren van implementaties, aannames en operationele aandachtspunten.
• Kennis delen met teams en actief bijdragen aan de maturiteit van ML binnen de organisatie
• Resultaatgericht en pragmatisch: in staat om ML-oplossingen om te zetten naar stabiele en bruikbare productiecomponenten.
• Kwaliteitsbewust, met aandacht voor betrouwbaarheid, onderhoudbaarheid en duidelijkheid.
• Ownership nemen over technische implementaties en proactief verbeteringen voorstellen.
• Communicatief: kan technische keuzes helder toelichten aan zowel technische als niet-technische stakeholders.
• Sterk in samenwerking binnen multidisciplinaire teams.
• Leergierig en gemotiveerd om nieuwe technieken en best practices in een productiecontext toe te passen.

Talenkennis:

Frans- of Nederlandstalig 2de landstaal begrijpen

Hybride, met name wekelijks 2 dagen op kantoor en 3 dagen telewerken

• CI/CD, versiebeheer en deployment van ML-services
• Containerisatie en deployment patterns (Docker)
• Datavoorbereiding, feature engineering en modelvalidatie
• Integratie van ML-componenten in applicaties of backend-services
• ML-pipelines en MLOps-praktijken (Azure Devops)
• Monitoring van modellen en pipelines (logging, metrics, drift-detectie, opentelemetry, DynaTrace)
• SQL en dataverwerking in productiecontext

• Resultaatgericht en pragmatisch: in staat om ML-oplossingen om te zetten naar stabiele en bruikbare productiecomponenten.
• Kwaliteitsbewust, met aandacht voor betrouwbaarheid, onderhoudbaarheid en duidelijkheid.
• Ownership nemen over technische implementaties en proactief verbeteringen voorstellen.
• Communicatief: kan technische keuzes helder toelichten aan zowel technische als niet-technische stakeholders.
• Sterk in samenwerking binnen multidisciplinaire teams.
• Leergierig en gemotiveerd om nieuwe technieken en best practices in een productiecontext toe te passen.

Hybride, met name wekelijks 2 dagen op kantoor en 3 dagen telewerken

• CI/CD, versiebeheer en deployment van ML-services
• Containerisatie en deployment patterns (Docker)
• Datavoorbereiding, feature engineering en modelvalidatie
• Integratie van ML-componenten in applicaties of backend-services
• ML-pipelines en MLOps-praktijken (Azure Devops)
• Monitoring van modellen en pipelines (logging, metrics, drift-detectie, opentelemetry, DynaTrace)
• SQL en dataverwerking in productiecontext