Functie
Senior Machine Learning Engineer
Als Senior Machine Learning Engineer ontwikkel je predictive modellen vanaf nul en maak je deze productiewaardig. Je werkt aan concrete use-cases zoals forecasting, churn prediction, anomaly detection en next-best-action. De nadruk ligt op de combinatie van Data Science, Data Engineering en productie; je brengt zelfstandig businessvragen en data-exploratie naar een werkend en schaalbaar model.
Verantwoordelijkheden
Ontwikkelen: Ontwikkelen, trainen en valideren van predictive ML-modellen vanaf scratch.
Vertaling: Vertalen van businessvraagstukken naar concrete ML-use-cases.
Datawerk: Uitvoeren van data-exploratie, feature engineering en modelselectie.
Pipelines: Opzetten van data-, ETL/ELT-, training- en scoringpipelines.
Productie: Productiewaardig maken, deployen en monitoren van modellen.
Schaalbaarheid: Werken met grote en complexe datasets.
Zelfstandigheid: Zelfstandig bepalen van de technische aanpak en overdragen van kennis.
Eisen
- Minimaal vijf jaar relevante ervaring binnen Data Science, Machine Learning en Data Engineering.
- Aantoonbare ervaring met het zelfstandig vanaf nul ontwikkelen van meerdere predictive ML-modellen.
- Ervaring met het end-to-end brengen van modellen van POC naar productie.
- Hands-on ervaring met Python en SQL.
- Ervaring met data engineering, ETL/ELT en ML-pipelines.
- Ervaring met predictive use-cases zoals forecasting, churn, classification, propensity modelling, anomaly detection of next-best-action.
- Ervaring met een publieke cloudomgeving zoals AWS, Azure of GCP.
- Zelfstandig en hands-on profiel met voldoende senioriteit om inhoudelijk richting te geven.
- Professionele beheersing van de Nederlandse taal.
- Minimaal vijf jaar relevante ervaring binnen Data Science, Machine Learning en Data Engineering
- Aantoonbare ervaring met het zelfstandig vanaf nul ontwikkelen van meerdere predictive ML-modellen
- Ervaring met het end-to-end brengen van modellen van POC naar productie
- Hands-on ervaring met Python en SQLErvaring met data engineering, ETL/ELT en ML-pipelines
- Ervaring met predictive use-cases zoals forecasting, churn, classification, propensity modelling, anomaly detection of next-best-action
- Ervaring met een publieke cloudomgeving zoals AWS, Azure of GCPZelfstandig en hands-on profiel met voldoende senioriteit om inhoudelijk richting te geven
- Professionele beheersing van de Nederlandse taal
Gunningscriteria
- Ervaring met grote of complexe datasets en schaalbare dataverwerking.
- Ervaring met Spark/PySpark of vergelijkbare technologie.
- Ervaring met Databricks, Airflow, MLflow of vergelijkbare tooling.
- Ervaring met MLOps, CI/CD, model monitoring en geautomatiseerde retraining.
- Ervaring met greenfield-omgevingen of projecten waarin nog weinig ML-infrastructuur aanwezig was.
- Ervaring binnen financiële dienstverlening, verzekeringen of een andere data-intensieve omgeving.
- Ervaring in een kleinere of middelgrote organisatie of een autonoom team waarin je zelf breed verantwoordelijk was.
- Voorwaarden
- Inzet: 32–40 uur per week.
- Contractduur: 6 maanden, met optie tot verlenging.
- Werken: Hybride, circa 50% op locatie en 50% op afstand.
- Ervaring met grote of complexe datasets en schaalbare dataverwerking
- Ervaring met Spark/Py
- Spark of vergelijkbare technologie
- Ervaring met Databricks, Airflow, MLflow of vergelijkbare tooling
- Ervaring met MLOps, CI/CD, model monitoring en geautomatiseerde retraining
- Ervaring met greenfield-omgevingen of projecten waarin nog weinig ML-infrastructuur aanwezig was
- Ervaring binnen financiële dienstverlening, verzekeringen of een andere data-intensieve omgeving
- Ervaring in een kleinere of middelgrote organisatie of een autonoom team waarin je zelf breed verantwoordelijk was
Extra informatie
Je sollicitatie dient uiterlijk 21 september 2026 om 05:00 uur door ons te zijn ingediend, voorzien van een motivatie (waarin wordt toegelicht hoe aan de eisen en gunningscriteria wordt voldaan) en twee referenties. Wij ontvangen je gegevens graag minimaal één werkdag vóór de sluitingsdatum.
