Data Scientist

Data Scientist GenAI / Chatbot — Samenvatting

Als Data Scientist GenAI / Chatbot verbeter je de prestaties van AI-assistenten door gedrag te analyseren en gerichte verbeteringen te ontwerpen.
Je werkt op het snijvlak van data, engineering en product en vertaalt fouten en context-gaps naar technische en productieve oplossingen.
Focus ligt op retrieval, generatie, reasoning loops, tool-calling en het verbeteren van contextuele grounding — niet op het trainen van foundation-modellen.
Je ontwerpt evaluatiekaders voor grootschalige experimenten en stelt criteria op om agentperformance objectief te meten en te verbeteren.
Samen met productmanagers, engineers en use-case teams identificeer je haalbare verbeteringen met de grootste impact.

Functie en verantwoordelijkheden

• Analyseer chatbot-uitvoer en prioriteer interventies met de grootste impact.
• Diagnosticeer contextuele hiaten en bepaal welke aanvullende informatie agents nodig hebben.
• Werk samen met product en engineering om evaluatiecriteria en experimenten op te zetten.
• Verbeter retrieval-mechanismen, data-structurering en onboarding van contextuele bronnen.
• Ontwerp evaluatieframeworks voor snelle, grootschalige iteratie en continue innovatie.
• Vertaal functionele vereisten naar concrete technische verbeteringen en integraties.

Vereist profiel

• Medior–senior ervaring met GenAI-systemen en LLM-gebaseerde applicaties.
• Ervaring met retrieval-augmented systems (RAG), prompting, context windows en grounding.
• Vermogen om outputkwaliteit te evalueren en helder uit te leggen waarom resultaten wel of niet werken.
• Technische integratievaardigheden: API-integraties, batch-synchronisatie, gestructureerde en ongestructureerde data.
• Sterk analytisch vermogen en ervaring met het ontwerpen van evaluatiekaders voorbij traditionele ML-metrics.
• Goede communicatieve vaardigheden: je legt contextgaps en oplossingsrichtingen duidelijk uit aan engineers en stakeholders.
• Beheersing van Engels (werktaal) en beschikbaarheid voor hybride werken (donderdag op kantoor, Winthontlaan, Utrecht).

Pre: Nice to Have

• Achtergrond in human-in-the-loop evaluatie en annotatieprocessen.
• Ervaring met tooling voor reasoning loops en tool-calling integraties.

Wie zal hier goed in passen

Jij bent iemand die graag onderzoekt waarom AI-systemen zich gedragen zoals ze doen en houdt van het debuggen van gedrag naast code.
Je denkt structureel, legt verbanden en hebt een sterk gevoel voor wat “goede” performance betekent in praktijkcases.
Je opereert moeiteloos tussen engineering en product en maakt verbetervoorstellen die concreet en uitvoerbaar zijn.

Praktische informatie

• Duur: 6 maanden (verlenging mogelijk)
• Start: ASAP
• Taal: Engels (werktaal)
• Werkwijze: Hybride — donderdag op kantoor (Winthontlaan, Utrecht, tot nader bericht)
• Niveau: Medior–Senior
• Organisatie: Rabobank — Data Scientist team, Winthontlaan, Utrecht

Sollicitatieproces

Stap 1: Eén uur interview met twee van onze Data Scientists om technische vaardigheden te toetsen.
Stap 2: 30 minuten gesprek met de teammanager om teamfit te evalueren.
Bereid voorbeelden van eerdere analyses, evaluatieframeworks en integratieprojecten voor.

Eisen

• Strong understanding of GenAI systems
• Experience with LLM-based applications.
• Experience with retrieval-augmented systems.
• Strong understanding of prompts, context windows, retrieval, and grounding.
• Ability to evaluate output quality and explain why results are effective or ineffective.
• Familiarity with API integrations, batch synchronisation, and structured and unstructured data.
• Comfortable collaborating closely with engineers.
• Ability to troubleshoot data flow and context ingestion issues.
• Ability to design evaluation frameworks beyond traditional machine learning metrics.
• Understanding of functional context and user behaviour.
• Ability to operate effectively between engineering and product domains.
• Ability to explain context gaps and reasoning to engineers, product managers, and stakeholders.
• Ability to create clear and effective improvement proposals.

Wensen

• Background in human-in-the-loop evaluation.

Competenties

• You bring a strong analytical mindset and a passion for understanding why AI systems behave the way they do.
• Analytical and evaluative mindset
• Clear communicator
• You enjoy debugging not only code, but behaviour.
• You think structurally, connect the dots, and have a strong intuition for what good performance looks like.