Machine learning engineer / Data (platform) engineer

Beschrijving van de functie

Als Machine learning engineer / Data (platform) engineer ben je verantwoordelijk voor het bouwen, beheren en opschalen van data- en machine learning-omgevingen die analyses en modellen betrouwbaar in productie brengen. Je werkt op het snijvlak van data-engineering en data science: je realiseert robuste data-pijplijnen, ontwikkelt herbruikbare bouwblokken voor een generiek dataplatform en ondersteunt data scientists bij het ontwikkelen en operationaliseren van modellen. De rol vereist zowel programmeervaardigheden en kennis van ML-frameworks als begrip van infrastructuur, containerisatie en orkestratie. In deze functie kun je zowel in vaste dienst werken als via zzp opdrachten of interim werk; projecten variëren van korte opdrachten tot langdurige opdrachten overheid en commerciële trajecten waar je gebruikmaakt van best practices rondom MLOps, security en privacy (zoals GDPR). Er is veel aandacht voor herbruikbaarheid, schaalbaarheid en observeerbaarheid; vaak werk je aan componenten die in verschillende projecten opnieuw gebruikt moeten kunnen worden, en je documenteert en borgt die componenten zodat collega’s en klanten ze kunnen inzetten in uiteenlopende contexten zoals Data Access Services (DAS) en datacatalogi.

Typische beloning

Het salaris voor deze combinatiefunctie varieert sterk afhankelijk van ervaring, verantwoordelijkheid en contractvorm. Voor een vaste aanstelling ligt het bruto jaarsalaris doorgaans tussen de €50.000 en €85.000 voor ervaren specialisten, met hogere bandbreedtes voor leidinggevende of architectuurrollen. Als consultant of zzp’er zijn tarieven per dag gangbaar; ervaren contractors vragen doorgaans tussen de €450 en €850 per dag, afhankelijk van specialisatie en markt. Voor interim werk bij overheidsopdrachten of via raamcontracten (bijvoorbeeld bij opdrachten overheid en DAS-gerelateerde programma’s) kunnen andere tariefafspraken gelden. Secundaire arbeidsvoorwaarden kunnen bij een vaste baan extra waarde toevoegen, zoals pensioenopbouw, opleidingsbudget en onkostendeclaraties, terwijl zzp opdrachten vaak meer flexibiliteit bieden maar ook de verantwoordelijkheden voor verzekeringen en administratieve lasten vergen.

Veelvoorkomende functietaken

De dagelijkse werkzaamheden bestaan uit het ontwerpen en implementeren van ETL/ELT-pijplijnen, opzetten van datawarehouses of data lakes, en het bouwen van reproduceerbare modeltrainings- en deployprocessen. Je beheert containeromgevingen (Docker) en orkestratie (Kubernetes), stelt CI/CD pipelines op voor modellen en datastromen, en gebruikt Infrastructure as Code (bijv. Terraform) om herhaalbare infrastructuur te garanderen. Daarnaast vertaal je business- en klantuse-cases naar technische oplossingen, ontwikkel je generieke bouwblokken voor een GDP of vergelijkbaar platform, en werk je samen met data scientists om modellen te optimaliseren en te monitoren in productie. Security & privacy zijn integraal onderdeel van het werk: je implementeert toegangscontroles, data-anonimisering waar nodig en zorgt dat oplossingen voldoen aan wettelijke kaders zoals GDPR. Verder onderhoud je documentatie, lever je technische architectuurrichtlijnen aan en begeleid je implementaties bij klanten of interne teams; in projecten met opdrachten overheid is kennis van compliance en procesafstemming cruciaal. De rol vraagt vaak ook communicatievaardigheden omdat je tussen meerdere stakeholders opereert en oplossingen moet vertalen naar beheersbare stappen voor zowel DICTU-achtige teams als klantorganisaties.

Hoe word je specialist in deze functie?

Een specialisatie ontstaat door een combinatie van formele opleiding, praktijkervaring en gerichte verdieping. Begin met een hbo- of wo-opleiding in Data Science, Informatica, Wiskunde, Kunstmatige Intelligentie of vergelijkbaar, en bouw daarna minimaal 3-4 jaar relevante werkervaring op in roles als data engineer, platform engineer of machine learning engineer. Verwerf technische diepgang in Python, SQL, ML-frameworks (bijv. scikit-learn, TensorFlow, PyTorch) en in big data-tools zoals Spark. Leer daarnaast cloudplatforms (Azure, AWS of GCP), IaC-tools (Terraform) en CI/CD-patronen. Volg concrete projecten waarbij je zowel data-pijplijnen als modelproductie realiseert; door het uitvoeren van zzp opdrachten, opdrachten overheid of interim werk vergaar je vaak zeer brede praktijkcases die je snel laten groeien. Behaal certiferingen indien relevant, neem deel aan community’s en contributies aan open source, en zoek mentor- of architectuurrollen om het bredere ontwerp- en securitybeeld te ontwikkelen. Specialisatie in MLOps, datavirtualisatie en datacatalogi (bijv. DAS-gerelateerde oplossingen) maakt je extra waardevol. Blijf continu leren door praktijkcases te vertalen naar generieke bouwblokken en deel die kennis binnen teams zodat je niet alleen een uitvoerder, maar ook een strategische architect en sparringpartner wordt.