Machine Learning Engineer

Editx; Sint-Gillis; Sur place; EUR 55 000 - 75 000; Plein temps

Résumé du poste

Editx is op zoek naar een Machine Learning Engineer die verantwoordelijk is voor het ontwerpen en onderhouden van machine learning-modellen. Je werkt nauw samen met verschillende teams en zorgt ervoor dat de modellen optimaal functioneren op zowel cloudinfrastructuren als on-premise.

Deze rol vereist expertise in datavoorbereiding en modelontwikkeling, met een focus op betrouwbaarheid en schaalbaarheid. Uiteindelijk help je de organisatie bij het verbeteren van haar ML-capaciteiten en het naleven van regelgeving.

Qualifications

• Ervaring met het ontwerpen en implementeren van machine learning-modellen.
• Kennis van datavoorbereiding en feature engineering.
• Ervaring met cloudinfrastructuren zoals Azure.

Responsabilités

• Data uit diverse bronnen verwerken en voorbereiden.
• ML-modellen ontwerpen, trainen en evalueren.
• Modellen vertalen naar productieklare services en pipelines.
• ML-pipelines en CI/CD opzetten en onderhouden.
• Afstemmen met stakeholders en documenteren van processen.

Connaissances

Machine Learning

Data Engineering

Azure

MLOps

Feature Engineering

Description du poste

Als Machine Learning Engineer ben je verantwoordelijk voor het ontwerpen, bouwen, deployen en onderhouden van machine learning-modellen en machine learning-pipelines. Je 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.

Je werkt nauw samen met data engineers, developers, architecten en business stakeholders. Ook vertaal je machine learning 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: Data uit diverse bronnen verwerken en voorbereiden, datatransformaties en feature engineering opzetten, en datakwaliteit, consistentie en reproduceerbaarheid bewaken.
• Modelontwikkeling en validatie: ML-modellen ontwerpen, trainen, tunen en benchmarken voor uiteenlopende use cases, met duidelijke validatiecriteria vóór productie.
• Operationaliseren van ML-oplossingen: Modellen vertalen naar productieklare services en pipelines, integreren in backend/API's/batch, met versiebeheer en een gestandaardiseerde deployment-aanpak.
• MLOps, monitoring en reliability: ML-pipelines en CI/CD opzetten en onderhouden, monitoring voorzien (performantie, drift, fouten) en retraining-mechanismen uitwerken, met oog voor betrouwbaarheid, schaalbaarheid en cost control.
• Samenwerking en kennisdeling: Afstemmen met technische en business stakeholders, goede praktijken en documentatie verzorgen, en bijdragen aan de ML-maturiteit van de organisatie.