Staff Model Engineer (Forecasting) in Amsterdam

Het probleem: Elke week vertelt een tomatenteler hun kopers hoeveel kilo's ze drie weken later zullen leveren. Contracten, vrachtwagens en prijzen worden vastgesteld op dat aantal. Source bouwt AI-software die kassenbouwers in Europa en Noord-Amerika gebruiken voor beslissingen zoals deze, en onze Oogstvoorspelling voor tomaat, peper en komkommer is een van de inputs voor dat wekelijkse aantal.

De waarde ligt in de weken wanneer de oogst iets ongewoons doet: een hittegolf, een scherpe daling na een piek, het begin en einde van het seizoen. Dit zijn de weken waarin telers de meeste behoefte hebben aan een voorspelling, en wanneer voorspellingen, inclusief de onze, het minst vertrouwd worden.

Waarom dit moeilijk is:

• Langzame feedback. Je kunt eerdere seizoenen met elk model opnieuw afspelen. Maar een nieuw model in productie toont zijn eerste echte resultaat pas drie tot vier weken later, en de weken die ertoe doen komen maar een paar keer per jaar. Je kunt geen A/B-test uitvoeren op een oogst.
• Dunne, ruisachtige data. Een paar planten, handmatig gemeten één of twee keer per week, staan voor een hele kas. Sensoren kunnen afwijken. Elke locatie, variëteit en strategie van de teler is een beetje anders.
• Niet alles is biologie. Een deel van elke schommeling komt van de plant, en een deel van beslissingen die de teler maakt nadat de voorspelling is gedaan. Het onderscheiden van de twee is onderdeel van de functie.
• Sterke wetenschap, rommelige kassen. Decennia aan gewas- en klimaatwetenschap bestaan. Data alleen zal het niet herontdekken, en de wetenschap alleen past niet in een echte kas.
• Mensen handelen op basis van het nummer. Een voorspelling die vol vertrouwen fout is, kost een teler echt geld, dus de onzekerheid moet eerlijk zijn.

We zijn op zoek naar een Staff Data Scientist die dit eerder heeft gedaan: een voorspelling van een fysiek systeem dat mensen niet vertrouwden, omzetten in een nummer waarop een bedrijf geld inzet.

De moeilijkheid ligt niet in één slim model. Het is het hele systeem: datakwaliteit, hoe planten worden bemonsterd, telers die hun oogstplannen wijzigen, en dan het model. Er kunnen tien dingen zijn die moeten worden opgelost voordat de voorspelling goed is, en slechts enkele daarvan zitten in het model. Je bekijkt het hele systeem van begin tot eind, vindt de belangrijke plekken, doet het moeilijkste werk zelf en draagt het helemaal naar iets dat telers gebruiken.

Dit is een senior individuele bijdrager rol, technisch tot het einde, zonder personeelsbeheer. Je rapporteert aan onze Director of Engineering en voegt je bij onze staff engineers, de senior groep die over teams heen werkt met de CTO en de technische standaard zet. Dagelijks werk je samen met onze data scientists, gewaswetenschappers en direct met telers. Oogstvoorspelling is het eerste probleem. Hetzelfde soort probleem komt ook voor in onze andere gewasmodellen, en we verwachten dat jouw werk daar ook impact zal hebben.

De rol is gevestigd in Amsterdam, omdat je het hele systeem niet van een afstand kunt zien. Je moet in de kamer zijn met de data scientists, de gewaswetenschappers en de mensen die elke week met telers praten.

Wat je zult doen:

• Eigen de nauwkeurigheid van onze oogstvoorspellingen voor tomaat, peper en komkommer, vooral in de ongebruikelijke weken, van diagnose tot een oplossing die telers gebruiken.
• Bepaal welk probleem eerst moet worden opgelost, inclusief wanneer de oplossing in de inputdata, de plantenmonsters of het plan van de teler ligt in plaats van het model.
• Ontwerp en bouw hybride modellen die gewasfysiologie en kasklimaat combineren met statistische en machine learning-methoden.
• Bouw de evaluatie-infrastructuur: backtests op eerdere seizoenen, sterke baselines, onzekerheidskalibratie en productie monitoring, zodat de volgende tien oplossingen goedkoper worden.
• Verzend je modellen naar productie met onze ingenieurs en blijf verantwoordelijk voor hoe ze zich daar gedragen.
• Verhoog de standaard van het data science-team door middel van beoordeling, uitdaging en mentoring.

We geven het meest om wat je hebt gedaan. Vandaag zou je een data scientist, voorspellingswetenschapper, ML-wetenschapper, quant of onderzoeksingenieur kunnen worden genoemd. De titel doet er voor ons niet toe.

Around 10 jaar hands-on modelleren of voorspellen, met modellen van fysieke of echte systemen die meer dan één seizoen in productie draaiden. Energie, weer, procesindustrie, plantenveredeling, farmacie, batterijen of handel: het veld doet er minder toe dan het feit dat het echt was.

Je hebt een voorspelling die mensen niet vertrouwden omgezet in een voorspelling waarop een bedrijf geld inzet.

Je hebt modellen verzonden die kapot gingen toen de wereld veranderde (een nieuw seizoen, een nieuwe locatie, een nieuwe klant) en ze meer dan eens gerepareerd. Je kunt ons vertellen wat er elke keer kapot ging.

Diepe expertise in tijdreeks- en probabilistische voorspelling: Bayesian en hiërarchische modellen, gradient boosting, deep learning voor sequenties, en onzekerheidskwantificatie op kleine, onregelmatige datasets.

Validatie die standhoudt: backtests tegen sterke baselines, foutanalyse gekoppeld aan zakelijke impact, driftmonitoring en evaluatietools die andere mensen bleven gebruiken nadat je ze had gebouwd.

Productie-klaar Python (pandas of polars, scikit-learn, PyTorch of JAX, PyMC of vergelijkbaar) en solide engineeringgewoonten (Git, testen, CI/CD, Databricks, AWS), zodat je modellen in productie draaien zonder jou.

Een MSc of PhD-achtergrond en de gewoonte om vanuit eerste principes te redeneren.

Je werkt AI-native: codering van agents en LLM-tools maken deel uit van hoe je elke dag werkt, en je weet waar ze falen.

Je hebt samengewerkt met mensen met hogere standaarden dan die van jou, en kunt ons vertellen wat zij je hebben geleerd.

Duidelijke communicatie met telers, product en engineering alike.

Aanvullende vereisten:

• Een diploma in engineering, natuurkunde, toegepaste wiskunde, statistiek of econometrie.
• Ervaring met fysica-geïnformeerde ML, mechanistische of procesgebaseerde modellen, data-assimilatie (bijvoorbeeld Kalman-filtering) of systeemidentificatie.
• Publicaties, lezingen of open-source werk over voorspelling of wetenschappelijke ML.

Is dit iets voor jou? Je vindt het waarschijnlijk leuk hier als je:

• Een moeilijk probleem wilt dat nog openstaat, geen plan om uit te voeren.
• Lieber de echte oorzaak wilt vinden dan een metriek wilt afstemmen.
• Bij je standpunt blijft onder druk, en het verandert wanneer het bewijs dat zegt.
• De mensen wilt ontmoeten die je werk gebruiken en rechtstreeks van hen wilt horen wanneer het verkeerd is.

Je vindt het waarschijnlijk niet leuk hier als je:

• Een duidelijke specificatie, een A/B-test of een grote, schone dataset nodig hebt om te weten dat je gelijk hebt.
• Je werk beoordeelt op basis van een offline benchmarkscore.
• Een team wilt leiden in plaats van het probleem zelf op te lossen.
• Alleen aan het model wilt werken, en de data, metingen, telers en productie aan iemand anders wilt overlaten.

Wat wij bieden:

• Hybride werk: we werken samen op kantoor in Amsterdam op maandagen en donderdagen.
• Maaltijden: lunch aangeboden op kantoor dagen.
• Pensioen: een bijdrage van 4,5% aan het pensioen.
• Welzijn: mentale gezondheidszorg via OpenUp.
• Apparatuur: een 16" MacBook Pro.
• Vervoer: een reiskostenvergoeding voor je woon-werkverkeer.
• Leren: een jaarlijks leerbudget van €1.000.
• Thuisopstelling: een budget van €550 voor je thuiskantoor.
• Connectiviteit: €50 per maand voor WiFi en telefoon.
• Tijd vrij: een flexibele vakantiebeleid, en we moedigen je aan om minstens 25 dagen per jaar op te nemen.
• Gemeenschap: kwartaalbedrijfsevenementen, waaronder diners en teamactiviteiten.

Hoe we aannemen:

• Introductiegesprek met de hiring manager of ons People Team.
• Een verhaal: vertel ons over een moment waarop een moeilijk project van richting veranderde door iets dat jij deed. We zullen vervolgvragen stellen om je rol daarin te begrijpen.
• Workshop over een echt probleem: we sturen je een korte beschrijving over hoe een kas werkt, hoe planten worden gemeten en waar onze voorspelling moeite mee heeft. Dan werken we samen, met behulp van jouw eigen tools, inclusief AI. We willen niet dat je het met ons eens bent. We willen zien wat je daarna zou doen.
• Laatste gesprek en referenties.

Opmerking voor kandidaten buiten Nederland: deze rol is gevestigd op ons kantoor in Amsterdam. Na een eerste videogesprek, zouden we je graag persoonlijk ontmoeten voor de volgende gesprekken in de komende weken, en we hopen de positie zo snel mogelijk in te vullen. Reiskosten voor gesprekken en verhuizing zijn voor eigen rekening.

Opmerking over AI: we gebruiken een AI-notulist tijdens gesprekken, zodat we je onze volledige aandacht kunnen geven in plaats van te typen. We nemen geen video op. Als je liever hebt dat we het niet gebruiken, laat het ons dan gewoon weten aan het begin van het gesprek.

Opmerking voor wervingsbureaus: we accepteren geen ongevraagde benaderingen over onze openstaande vacatures. Neem alsjeblieft geen contact met ons op over deze vacature.

Bij Source waarderen we diversiteit in achtergrond en perspectief. Mensen beoordelen hun eigen kwalificaties verschillend, dus solliciteer gerust, zelfs als je niet aan elke eis voldoet. We zijn op zoek naar de juiste persoon, niet een perfect CV.