Jouw zoektocht naar MLOps & Machine Learning Vacatures

MLOps is in de eerste plaats een discipline van production engineering, dus software-engineeringervaring met echte ML-ervaring telt meestal zwaarder dan academische kwalificaties. Een researchachtergrond is vooral belangrijk in functies die dicht bij de modelarchitectuur zelf liggen. Nederlandse werkgevers werven op het vermogen om een betrouwbaar systeem op te leveren en te onderhouden, en een erkende cloudcertificering, of dat nu Azure, AWS of Google Cloud is, kan een cv door de eerdere, vaak door HR geleide screening helpen op een manier die een researchpaper zelden doet.

Software engineering, data engineering en data science zijn de sterkste startpunten, ongeveer in die volgorde, en zowel WO- als HBO-afgestudeerden stromen het vakgebied in. Python, een cloudplatform en Docker zijn de basis die vrijwel elke werkgever verwacht, zelfs op juniorniveau.

Productie-ervaring is het lastigste om aan te tonen zonder commerciële functie. Een model dat alleen in een notebook is getraind, onderscheidt je niet genoeg; iets deployen en monitoren, en het vervolgens repareren als het stukgaat, is wat je een voet tussen de deur geeft. Werkgevers zoeken vooral oordeelsvermogen, zoals echte drift kunnen onderscheiden van ruis, en een goed gedocumenteerd echt incident maakt in een gesprek doorgaans meer indruk dan een lijst tools, omdat hiring managers een heldere postmortem zien als teken van volwassen engineering.

Python is hier vrijwel universeel, maar wat een sterke MLOps of Machine Learning Engineer onderscheidt van een data scientist die kan programmeren, is discipline in production engineering: het vermogen om een systeem te ontwerpen dat blijft werken als de onderliggende data verandert. Dit zijn de vaardigheden die we steeds terugzien in de opdrachten waaraan wij werken:

• Python: de standaardtaal in vrijwel elk deel van de stack, van modeltraining tot orkestratie van pipelines.
• Docker en containerisatie: modellen en hun afhankelijkheden zo verpakken dat ze overal op dezelfde manier draaien, van laptop tot productie.
• Cloud computing: Amazon Web Services blijft het meest gevraagde platform, al komen Azure en Google Cloud ook regelmatig voor – een erkende cloudcertificering weegt hier zwaar in de fase van cv-screening.
• MLOps-platforms en -tooling: MLflow, Kubeflow en vergelijkbare tools voor het bijhouden van experimenten, het versiebeheer van modellen en het beheren van de deploymentpipeline.
• Modelevaluatie en monitoring: meten of een model nog goed presteert zodra het live staat, niet alleen toen het werd getest.
• Systeemontwerp: een architectuur die netjes omgaat met fouten, meeschaalt met de vraag en niet opnieuw gebouwd hoeft te worden telkens als er een nieuw type model bijkomt.
• Basisprincipes van software engineering: versiebeheer, testen en discipline in code reviews, op dezelfde manier toegepast als een software-engineeringteam dat zou doen.
• Kennis van front-end en back-end: nuttig, soms essentieel, voor platformgerichte functies waarin je de tools bouwt die andere teams gebruiken om hun eigen modellen te deployen en te monitoren.
• Kennis van modeloptimalisatie: steeds waardevoller voor inferentiesnelheid en edge-deployment, een groeigebied gezien het Nederlandse high-tech- en hardware-ecosysteem, al is het nog een specialistische eis en geen universele.
• Kennis van governance en regelgeving: de AVG en de verplichtingen van de EU AI Act voor ingezette systemen met een hoog risico, omdat MLOps Engineers vaak degenen zijn die de systemen beheren waarop de regelgeving van toepassing is.
• Beslissen onder onzekerheid: weten wanneer een prestatiedaling van een model echte drift is waarop je moet ingrijpen en wanneer het ruis is, een afweging die een dashboard niet voor je kan maken.

Generative AI heeft hier een nieuwe laag aan toegevoegd. Engineers die begrijpen hoe je large language models deployt, evalueert en monitort, en niet alleen een API aanroepen en op het beste hopen, worden steeds meer gewaardeerd, zeker nu de verplichtingen van de EU AI Act voor general-purpose systemen en systemen met een hoog risico gefaseerd ingaan.

Salarissen in MLOps en machine learning in Nederland groeien mee met senioriteit en diepgang in productie: van iets boven de €40.000 op juniorniveau tot ongeveer €65.000 voor een ervaren engineer, €85.000 of meer op seniorniveau en ruim boven de €100.000 in leidinggevende functies. Engineers die een model van research tot betrouwbare productie kunnen brengen, zitten doorgaans aan de bovenkant, en freelancers rekenen meestal zo'n €75 tot €120 per uur, afhankelijk van de opdracht.

Amsterdam heeft de grootste concentratie werkgevers in machine learning en MLOps en het hoogste plafond in vacatures, terwijl Rotterdam, Utrecht en Eindhoven daar werk in logistiek, energie en high-tech aan toevoegen. Nu hybride werken de standaard is, kies je eerst het productievraagstuk en de sector die je wilt, en pas daarna de stad. Actuele marktdata:

In de praktijk kleiner dan de functietitels doen vermoeden. Een Machine Learning Engineer is doorgaans eigenaar van het model zelf: het bouwen, trainen en evalueren ervan, vaak tot en met een eerste deployment in productie. Een MLOps Engineer is doorgaans eigenaar van alles eromheen zodra het live staat: de deploymentpipeline, infrastructuur, monitoring, geautomatiseerde hertraining en de algehele betrouwbaarheid van het platform, inclusief CI/CD, driftmonitoring, infrastructuur voor meerdere modellen en teams, en incident response als er iets misgaat.

In kleinere teams en bij Amsterdamse scale-ups vallen de twee rollen meestal samen in één persoon, en daarom gebruiken vacatureteksten de titels door elkaar. Bij grotere, volwassener organisaties, zoals banken en verzekeraars, is de splitsing doorgaans echt, soms zelfs formeel, waarbij de titel gekoppeld is aan een vastgestelde functieschaal in plaats van alleen een omschrijving. Scope en senioriteit bepalen het salaris veel meer dan de titel in de vacature, dus onze aanpak begint bij wat je dagelijks doet, niet bij de titel op je cv.