Senior AI Engineer in Rotterdam

5 + jaren commerciële software engineering, waarvan minstens 12 maanden ervaring met het bouwen van LLM of agent systemen die in productie zijn gegaan. Demos en pilots tellen niet mee. Sterke productie Python: typing, tests, packaging, async, API clients, foutafhandeling. In staat om een service van begin tot eind te beheren. Sterke SQL-vaardigheden en vertrouwdheid met een kolom-georiënteerde datawarehouse. Snowflake is de voorkeur, maar elke equivalente oplossing is geaccepteerd.

Vereisten:

• Financiële diensten domein: asset management, fonds- of klantonboarding, KYC en AML, handelsverwerking, reconciliatie, klantrapportage of betalingen.
• Snowflake specifics: Cortex, semantische modellen, dbt, dataproducten, MCP over Snowflake.
• Microsoft certificeringen: AI-102, AZ-204, DP-203 of Azure Solutions Architect Expert.
• Copilot Studio, Power Platform, Microsoft Graph, Semantic Kernel of AutoGen.
• Ervaring met het omzetten van scripts van zakelijke gebruikers naar beheerde services, samenwerken met burgerontwikkelaars of zakelijke technologen in plaats van een professioneel engineeringteam.
• Kennis van kennisgrafieken en ontologie werk, Neo4j, datalineage tooling.
• Compliance bewijswerk: DORA, EU AI Act, ISO 27001, SOC 2.
• Data engineering: orkestratie (Airflow of vergelijkbaar), event-driven pipelines, file-based integraties.
• .NET of C# voor integratie binnen Microsoft-zware omgevingen.
• Enablement ervaring: trainingen geven, samenwerken met niet-engineers, schrijven van playbooks en runbooks.
• Nederlands taalvaardigheid.

Verantwoordelijkheden:

• Levering, de eerste twaalf weken:
• Frame (weken 1 tot 2): Kaart de waardestroom met het klantteam. Inventariseer systemen van record, de meer dan 120 Python-tools, datalineage en toegang. Stem de basislijn, de echte gevallen en de succescriteria af. Stel de implementatiearchitectuur voor aan het klantarchitectuurteam ter goedkeuring.
• Prove (weken 3 tot 6): Bouw de kleinste nuttige schijf op echte data, gehost in de klanttenant, met zichtbare aannames, sporen, fouten en menselijke beoordeling.
• Harden (weken 7 tot 10): Integratie, beveiligings- en architectuurreview, evaluatiesuite, observability, fallbacks, kostenbeheersing, CI/CD in Azure DevOps, operationele eigendom.
• Embed (weken 11 tot 12): Maak gebruikers mogelijk, draag de harness over, monitor adoptie, sluit echte faalpatronen af. Oude en nieuwe systemen draaien parallel en de delta wordt gemeten.
• Engineering:
• Registreer de bestaande Python-tools van de klant achter een MCP-connector zodat agents en mensen dezelfde interfaces aanroepen.
• Bouw en onderhoud de query guard, vertrouwde context, prompt templates, evaluatie-harness, trace- en kosten dashboards, goedkeuringsqueues.
• Verander de kwaliteitsregels van de klant in een gouden set. Voer een snelle subset uit bij elke wijziging en de volledige set 's nachts.
• Kies het serveermodel op basis van evaluatie, niet op voorkeur.
• Ga door de beveiligings- en architectuurreview van de klant voordat iets live gaat. Niets wordt productie totdat het draait op echte gevallen.
• Klantwerk:
• Werk dagelijks samen met de zakelijke technologen van de klant.
• Voer de wekelijkse demonstratie uit op echte gevallen.
• Leer het team om sporen te lezen, evaluaties af te stemmen en de harness uit te breiden.
• Schrijf een playbook per workflow zodat ze de volgende zonder ons kunnen uitvoeren.
• Doelverdeling: workflow één 70 procent, workflow twee 35 procent, workflow drie 10 procent.
• Breng het buiten-in perspectief. Noem het risico, stel het alternatief voor, houd het architectuurbeslissingslogboek actueel, zeg nee met redenen. Rapporteer eerlijk. Geobserveerde resultaten apart houden van gemodelleerde, faalprofiel gepresenteerd met hetzelfde gewicht als de overwinningen.
• Op locatie in Rotterdam in blokken van twee dagen om de twee weken, wekelijks tijdens Frame en bij elke fasepoort.
• Limestone:
• Voed de herbruikbare onderdelen (connectorpatroon, query guard, evaluatie-harness, trace dashboards, runbook templates) terug in de AI Factory zodat de volgende pod verder kan beginnen.

Over het project:

Klant: een Nederlandse asset manager in Rotterdam. Limestone doet een bod op deel B van hun RFP, uitvoeringsondersteuning en technisch advies voor het bouwen van een AI-gestuurde COO-domein. Deel A (strategie en operationeel modelontwerp) gaat naar een andere partner. Het COO-domein beheert de operationele kant van het bedrijf van begin tot eind: onboarding van nieuwe mandaten en fondsen, handelsverwerking, het investeringsboek van records, toezicht op JP Morgan middle en back office, klantrapportage, leveranciersbeheer en inkoop. Hun verklaarde doel is om het bedrijf te verdubbelen met een vlakke personeelsbezetting.

Waar ze nu staan: Ongeveer 20 zakelijke technologen, met een kernteam van zes, hebben meer dan 120 Python-tools gebouwd die echte bedrijfslogica coderen (LDI cash-flow matching die bestellingen via een API duwt, rapportassemblage, reconciliaties). De tools worden gecompileerd tot uitvoerbare bestanden, ingezet via SharePoint en gestart door een zelfgebouwde lokale planner. Data bevindt zich in Snowflake met beheerde dataproducten, semantische modellen en Cortex. Azure en Foundry bestaan, maar worden niet gebruikt omdat het IT-beleid zwaarder aanvoelde dan een laptop. Niets draait headless, niets is getraceerd, er is geen kostentelmetrie en geen oude versus nieuwe meting, zodat niemand de vraag van de COO over de efficiëntiewinst kan beantwoorden.

Wat we leveren:

Een AI Velocity Pod ingebed in hun kernteam, werkend binnen de eigen Azure-tenant en Azure DevOps van de klant. We nemen één waardestroom tegelijk (corporate client onboarding en KYC eerst, dan aangepaste klant- en fondsrapportage, private markten data, snelheid van inzicht over het domein), kaart het, host het op Microsoft Foundry en wikkel het in een agent harness: een MCP-connector over de bestaande Python-tools, een alleen-lezen query guard over Snowflake, vertrouwde context, gouden sets en evaluatie, sporen en kostentelmetrie, mens in de lus. Oude en nieuwe systemen draaien parallel en de delta wordt gemeten. De harness blijft bij de klant.

Hoe deze rol bijdraagt:

Deze rol is de pod. Eén vooruit-deployed engineer per waardestroom, fulltime bij één klant, dagelijks gekoppeld aan de technologen van de klant. De eerste twaalf weken verlopen als Frame, Prove, Harden, Embed, met een demonstratie op echte gevallen elke week. Het account begint met 1,5 FTE en kan groeien naar drie of vier engineers tot 2027, één per waardestroom, elk toegevoegd bij een fasepoort.