Machine learning engineer inhuren

Een machine learning engineer zorgt dat een model werkt buiten de notebook. Hij maakt van experimentcode geteste Python-code, bouwt de pipeline die het model traint en uitrolt, zet het model achter een endpoint of in een batchjob en richt de bewaking in.

Op onze pagina over detacheren staat deze rol als machine learning specialist, naast onder meer data scientist, AI-engineer en MLOps engineer. Welke collega past, hangt af van je model en je platform.

Een data scientist zoekt uit welk model een vraag beantwoordt en of het beter is dan een eenvoudige basis. De machine learning engineer brengt dat model in productie en houdt het daar. Een MLOps engineer richt de gedeelde route in waar alle modellen doorheen gaan: model registry, CI/CD en monitoring.

In kleine teams doet één persoon vaak twee van die rollen. Wil je die werkwijze als project laten inrichten, lees dan over MLOps.

Training-serving skew is het verschil tussen hoe goed een model presteert tijdens het trainen en in productie. Een veelvoorkomende oorzaak: de invoer wordt in productie net anders berekend dan in de notebook, bijvoorbeeld omdat IT de berekening opnieuw heeft gebouwd in een andere taal.

Google raadt aan zoveel mogelijk dezelfde code te gebruiken in de trainings- en de productiepipeline. Dat is precies het werk van een ML engineer: één geteste voorbewerking die in beide routes draait.

Dat hangt af van wanneer de uitkomst nodig is. Moet een applicatie per verzoek direct antwoord krijgen, dan zet je het model achter een endpoint. Volstaat een uitkomst per nacht of per uur voor alle records, dan is een batchjob eenvoudiger te beheren.

In Databricks doe je beide met Model Serving, voor modellen die je in Unity Catalog registreert. Azure Machine Learning kent online en batch endpoints. Bij een online endpoint verdeel je verkeer over de oude en de nieuwe versie, zodat je veilig overstapt.

Sinds 1 januari 2025 handhaaft de Belastingdienst weer volledig op schijnzelfstandigheid. Of iemand feitelijk als werknemer werkt, hangt af van de praktijk, met onder meer gezag, inbedding in de organisatie en ondernemerschap.

Een gedetacheerde ML engineer van Data Science Lab heeft bij ons een arbeidscontract. Dat is een andere situatie dan een freelancer die je zelf contracteert. Je eigen inhuurbeleid laat je toetsen door HR, inkoop of een adviseur.

Verwerkt het model persoonsgegevens, dan geldt de AVG. Volgens de Autoriteit Persoonsgegevens is een DPIA verplicht als je algoritmische systemen met persoonsgegevens inzet, ook bij een pilot. De AI-verordening rekent onder meer software die cv's sorteert tot hoog risico; volgens de Europese Commissie gelden die verplichtingen vanaf 2 december 2027.

Een ML engineer richt logging, modelversies en monitoring zo in dat je kunt laten zien hoe een model tot stand kwam. Of je model onder de regels valt, beoordeelt je jurist of compliance-afdeling. Meer bij AI-governance.

Als er nog geen model of duidelijke vraag is, heeft een engineer niets om naar productie te brengen. Begin dan met data science of een volwassenheidsscan. Ligt het probleem bij ontbrekende of rommelige data, dan helpt eerst het data fundament.

Komen er structureel modellen bij, dan is zelf iemand aannemen logischer. Zoek je een opgeleverde toepassing in plaats van extra handen, laat het model dan als project bouwen.