ML engineer op een vacature kan alles betekenen: van sklearn-scripts tot productie MLOps met feature stores en model monitoring. Zonder scherpe scope krijg je data scientists die niet deployen, of platform engineers die geen modellen trainen.
Drie veelvoorkomende profielen
| Profiel | Focus | Typische stack |
|---|---|---|
| ML engineer | Training, features, evaluatie | Python, PyTorch, scikit-learn |
| MLOps engineer | Pipelines, deployment, monitoring | Kubeflow, MLflow, Airflow |
| Applied scientist | Experimenten, research naar product | Notebooks, A/B tests, stats |
Waar op letten bij selectie
Vraag naar modellen in productie, niet alleen Kaggle-scores. Hoe monitort iemand drift? Hoe werkt retraining? Bij regulated sectors (fintech, health): ervaring met uitlegbaarheid en audit trails telt extra.
Vragen over detachering of tarieven?
Kennismaking plannen