AI engineer

Met jouw energie kan het
Als AI Engineer (High-Code) maak je strategische impact op de manier waarop Enexis onze netbeheeroperaties digitaliseert. Je haalt generative AI uit de sandbox en brengt oplossingen veilig, schaalbaar en betrouwbaar in productie. Je bouwt mee aan de architectuur, standaarden en herbruikbare platformcomponenten voor ons GenAI-ecosysteem.

Je helpt AI-oplossingen realiseren die onze processen slimmer en efficiënter maken en daarmee bijdragen aan het energienetwerk van de toekomst.

Je werkt met moderne technologie zoals LLM’s, RAG, Azure OpenAI Service, Azure AI Search, Terraform en LLMOps.

Je krijgt invloed op de AI-roadmap, tooling en standaarden binnen een organisatie met een grote maatschappelijke impact.

Je kunt rekenen op goede arbeidsvoorwaarden zoals 28,7% flexibele arbeidsvoorwaarden, hybride werken en een vitaliteitsbudget van € 700,-.

Zo ga jij deze uitdaging aan
Binnen Smart IT & AI Solutions werk je in het AI & Automation-domein aan praktijkgerichte AI-cases. Je brengt generative AI-oplossingen van eerste experiment naar productie. Daarbij ontwerp en bouw je end-to-end oplossingen, zoals RAG-systemen, AI-services en API’s. Je werkt aan vraagstukken rond chunking, re-ranking, embeddings, vector databases en evaluatie. Ook richt je logging, monitoring en observability voor LLM-workloads in. Samen met de Product Owner, Solution Architect, Platform Engineers, Security, Business Analisten en andere stakeholders bepaal je welke AI-oplossingen de meeste waarde opleveren.

Je combineert technische diepgang met aandacht voor risico’s, governance en duurzame toepasbaarheid.

Dit zijn jouw verantwoordelijkheden:

Definiëren van architectuur, standaarden en herbruikbare patronen voor LLM-, RAG- en evaluatie-oplossingen.

Bouwen en productierijp maken van high-code AI-oplossingen, services en API’s in Python.

Ontwikkelen van RAG-modules met onder andere passende chunking-strategieën, embeddings, re-ranking en hybride zoekstrategieën.

Opzetten en verbeteren van evaluatie-frameworks, logging-standaarden en observability voor LLM-workloads.

Inrichten en professionaliseren van LLMOps, inclusief versiebeheer, deployment, monitoring van tokengebruik en latency en het signaleren van model drift.

Begeleiden van de overgang van proof of concept naar betrouwbare productieoplossing en coachen van collega’s binnen het GenAI-team.

Adviseren over AI-usecases en bijdragen aan de AI-roadmap en AI-governance.