Machine Learning Engineer

Smals; Sint-Gillis-bij-Dendermonde; Sur place; EUR 60 000 - 85 000; Plein temps

Résumé du poste

Smals in Oost-Vlaanderen zoekt een Machine Learning Engineer die verantwoordelijk is voor het ontwerpen en onderhouden van machine learning-modellen. Je werkt met een team aan innovatieve oplossingen die voldoen aan de Europese AI-regelgeving.

Je taken omvatten datavoorbereiding, modelontwikkeling en MLOps, met een focus op betrouwbare en schaalbare oplossingen. De rol vereist samenwerking met interne teams om de beste praktijken en documentatie te waarborgen.

Ervaring met Azure en ML-tools is een vereiste voor deze rol.

Qualifications

• Ervaring met het ontwikkelen en onderhouden van machine learning-modellen.
• Kennis van datavoorbereiding en feature engineering.
• Inzicht in MLOps en CI/CD processen.

Responsabilités

• Verantwoordelijk voor datavoorbereiding en feature engineering.
• Ontwikkelen en valideren van machine learning-modellen.
• Operationaliseren van ML-oplossingen en pipelines.
• Opzetten van monitoring en reliability voor ML-pipelines.

Connaissances

Data preprocessing

Machine Learning model development

MLOps

Feature engineering

Collaboration with stakeholders

Outils

Azure

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.