Functie
Over de opdracht
Je implementeert het OpenSTEF-forecastingframework voor alle LS transformatorpunten (23.000) en draagt bij aan het verbeteren van korte-termijnvoorspellingen van netbelasting (korte horizon <7 dagen). De focus ligt op productiegeschiktheid, uitlegbaarheid en herbruikbaarheid van verbeteringen en modellen.
Wat ga je doen
Analyse van huidige forecastkwaliteit en selectie van locaties, horizons en situaties met het grootste verbeterpotentieel.
Backtesting en benchmarken van OpenSTEF-methoden tegen de bestaande referentie, met passende kwaliteitsmetrics en segmentatie.
Ontwikkelen van oplossingen voor lastige patronen: flatlines, pieken, ontbrekende waarden, onvoorspelbare assets en beperkte historische data.
Experimenten met modelselectie, ensembles, kalibratie en betrouwbaarheidsintervallen.
Verkenning en validatie van foundation-model-capabilities zodra deze toepasbaar en verantwoord inzetbaar zijn.
Vertaling van succesvolle experimenten naar onderhoudbare Python-code, tests, configuratie en reproduceerbare pipelines.
Verbetering van monitoring op forecastkwaliteit, datakwaliteit en modelgedrag.
Bijdragen aan OpenSTEF (issues, documentatie, reviews, pull requests) wanneer verbeteringen ook voor de community waardevol zijn.
Kennisoverdracht aan het team en heldere documentatie van keuzes, resultaten en vervolgstappen.
Gewenst profiel
Opleiding: Afgeronde WO-opleiding in data science, econometrie, wiskunde, statistiek, elektrotechniek, computer science of vergelijkbaar.
Ervaring: Aantoonbare ervaring met time-series forecasting en machine learning in een professionele omgeving.
Programmeervaardigheden: Zeer goede beheersing van Python, inclusief testing, code reviews en versiebeheer.
Methoden en tooling: Ervaring met backtesting, experimentopzet, modelvergelijking en forecastmetrics.
Productieomgeving: Ervaring met productieomgevingen en MLOps (MLflow) en bij voorkeur kennis van Databricks en Azure.
Specialisaties (pré): Bekendheid met probabilistische forecasting, kalibratie, ensembles of foundation models; ervaring met open-sourceontwikkeling of bijdragen aan technische community.
Soft skills: Helder communiceren met technische en niet-technische stakeholders, zelfstandig werken, actief samenwerken en aantoonbare kennisoverdracht.
Eisen
- De kandidaat heeft minimaal een afgeronde WO-opleiding in data science, econometrie, wiskunde, statistiek, elektrotechiek, computer science of een vergelijkbare richting
- De kandidaat heeft aantoonbare ervaring met time-series forecasting en machine learning in een professioele omgeving
- De kandidaat heeft een zeer goede beheersing van Python, inclusief testing, code reviews en versiebeheer
- De kandidaat heeft ervaring met backtesting, experimentopzet, modelvergelijking en forecastmetrics
- De kandidaat heeft aantoonbare ervaring met productieomgevingen, MLflow/MLOps en bij voorkeur Databricks en Azure
- Graag marktconform aanbieden. Tarieven dienen all in te zijn. Losse declaraties zijn niet toegestaan
Extra informatie
Competenties
Goed kunnen plannen
Verantwoordelijkheidsgevoel
Flexibele instelling
Goede communicatieve vaardigheden
Resultaatgericht
Proactief
Luistervaardig
Je sollicitatie dient uiterlijk 14 oktober 2026 om 07:00 uur door ons te zijn ingediend, voorzien van een motivatie (waarin wordt toegelicht hoe aan de eisen en gunningscriteria wordt voldaan) en twee referenties. Wij ontvangen je gegevens graag minimaal één werkdag vóór de sluitingsdatum.
