Staff Data Scientist, 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 het 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. 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.
• Dunne, ruisachtige data. Een paar planten, met de hand 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.
• 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 het nummer. Een voorspelling die vol vertrouwen fout is, kost een teler echt geld, dus de onzekerheid moet eerlijk zijn.

Wij zijn op zoek naar een Staff Data Scientist die dit eerder heeft gedaan: een voorspelling van een fysiek systeem dat mensen niet vertrouwden, en het een nummer gemaakt dat een bedrijf geld belooft. 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. Je kijkt naar het hele systeem van begin tot eind, vindt de plaatsen die ertoe doen, 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 stafingenieurs, de senior groep die over teams heen werkt met de CTO en de technische standaard stelt. 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 terechtkomt.

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 plantmonsters 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. Dat doet er voor ons niet toe.

Rond de 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 genomen die mensen niet vertrouwden en deze veranderd in een waarop een bedrijf geld belooft.

Je hebt modellen verzonden die kapot gingen toen de wereld veranderde (een nieuw seizoen, een nieuwe locatie, een nieuwe klant) en deze 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: coderen van agents en LLM-tools is hoe je elke dag werkt, en je weet waar ze falen.

Je hebt gewerkt naast mensen met een hogere standaard dan de jouwe, en kunt zeggen wat zij je hebben geleerd.

Duidelijke communicatie met telers, product en techniek.

Aangenaam om te hebben:

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

Je hebt geen achtergrond in plantwetenschap of tuinbouw nodig. Wij onderwijzen het domein.

Wat wij bieden:

• Hybride werk: we werken samen op kantoor in Amsterdam op maandag en donderdag.
• Maaltijden: lunch aangeboden op kantoor dagen.
• Pensioen: een bijdrage van 4,5%.
• Welzijn: mentale gezondheidszorg via OpenUp.
• Apparatuur: MacBook Pro 16".
• Vervoer: reiskostenvergoeding voor je woon-werkverkeer.
• Leren: een jaarlijks leerbudget van €1.000.
• Thuisopstelling: een werk-thuisbudget van €550.
• Connectiviteit: €50 per maand voor WiFi en telefoon.
• Tijd vrij: flexibele vakantiedagen; we moedigen ten minste 25 dagen per jaar aan.
• Gemeenschap: kwartaalbedrijfsevenementen, inclusief diner en teamactiviteiten.

Hoe we aannemen:

• Introductiegesprek met de hiring manager of ons People & Culture-team.
• Een verhaal: een keer dat een moeilijk project van richting veranderde door wat jij deed. We gaan diep totdat we begrijpen wat jij zelf deed.
• Workshop over een echt probleem. We sturen je een schrijfwerk over hoe een kas werkt, hoe planten worden gemeten en waar onze voorspelling moeite mee heeft, en werken het samen door, met jouw eigen tools, inclusief AI.
• Laatste gesprek en referenties.

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

Opmerking over AI: tijdens je interviews gebruiken we een AI-notulist, zodat we volledig aanwezig kunnen zijn bij jou in plaats van te typen. Er is geen video-opname. Als je liever hebt dat we dat niet doen, laat het ons dan weten tijdens het interview.