Het carrierepad van de MLOps-engineer uitgelegd

Door Ivo Donker — samengesteld met AI-ondersteuning (Claude & Gemini) · Laatst bijgewerkt: 6 augustus 2026

De oorsprong en essentie van MLOps

De rol van Machine Learning Operations (MLOps) engineer is ontstaan uit een concrete noodzaak binnen organisaties die experimenteerden met kunstmatige intelligentie. In de begindagen van machine learning werkten data scientists voornamelijk in geïsoleerde omgevingen, zoals lokale Jupyter Notebooks. Zij ontwikkelden wiskundige modellen die op historische datasets uitstekend presteerden, maar het ontbrak aan een gestructureerde methode om deze modellen betrouwbaar, schaalbaar en veilig naar productieomgevingen te brengen.

Wanneer een model klaar was voor gebruik, werd de code vaak handmatig overgedragen aan software-engineers. Deze engineers moesten de code vervolgens herschrijven om deze compatibel te maken met de bestaande IT-infrastructuur. Dit proces was foutgevoelig, tijdrovend en leidde tot een gebrek aan reproduceerbaarheid. MLOps-engineers vullen dit gat op. Zij vormen de operationele en infrastructurele brug tussen data science en traditionele software- en platformengineering.

De essentie van de rol ligt in het automatiseren en standaardiseren van de volledige levenscyclus van machine learning-modellen. Waar DevOps zich richt op het automatiseren van software-deployments, richt MLOps zich op de drie-eenheid van code, data en modelparameters. Het doel is om een continue stroom van modelverbeteringen te faciliteren, waarbij elk model traceerbaar, testbaar en consistent presteert in een productieomgeving.

De positie in het ecosysteem: MLOps versus naburige rollen

Binnen grotere organisaties werken verschillende specialisten samen aan data- en AI-producten. Omdat de grenzen tussen deze rollen in vacatures soms vervagen, is het belangrijk om de specifieke focus en de grensgebieden helder te definiëren. Meer details over de verdeling van deze taken zijn te vinden in het overzicht van AI-functies uitgelegd.

De MLOps-engineer staat niet op zichzelf, maar werkt nauw samen met de volgende disciplines:

De kerntaken per fase in de traditionele MLOps-lifecycle

Het werkveld van een MLOps-engineer is breed en strekt zich uit over verschillende fasen van de levenscyclus van een model. Hieronder worden de belangrijkste technische verantwoordelijkheden per fase beschreven.

1. Trainingspijplijnen en orkestratie

Het handmatig trainen van een model is in een productieomgeving onacceptabel. De MLOps-engineer bouwt en onderhoudt geautomatiseerde trainingspijplijnen met orchestrators zoals Apache Airflow, Prefect of Kubeflow Pipelines. Deze pijplijnen moeten parametriseerbaar en reproduceerbaar zijn. Dit betekent dat bij een verandering in de invoerdata of de modelconfiguratie de pijplijn automatisch opnieuw kan worden uitgevoerd, waarbij exact dezelfde stappen worden doorlopen.

2. Modelregistratie en versiebeheer

Zodra een model succesvol is getraind, moet het worden opgeslagen in een centrale database, de zogenaamde model registry (bijvoorbeeld MLflow of Weights & Biases). De MLOps-engineer zorgt ervoor dat elk model wordt voorzien van de juiste metadata. Denk hierbij aan de gebruikte datasetversie, de hyperparameters, de evaluatiemetrics (zoals nauwkeurigheid of verlieswaarde) en de exacte versie van de trainingscode. Dit maakt het mogelijk om in geval van problemen altijd te herleiden hoe een model tot stand is gekomen.

3. Deployment-strategieën

Het in productie nemen van een nieuw model brengt risico's met zich mee. MLOps-engineers ontwerpen en implementeren deployment-strategieën om deze risico's te minimaliseren. Veelgebruikte methoden zijn:

• Canary deployments: Het nieuwe model ontvangt in eerste instantie een klein percentage van het live verkeer (bijvoorbeeld 5%). Pas na een succesvolle evaluatieperiode wordt dit percentage stapsgewijs verhoogd naar 100%.
• Shadow deployments: Het nieuwe model ontvangt alle live aanvragen parallel aan het oude model, maar de resultaten worden alleen gelogd en niet teruggestuurd naar de eindgebruiker. Dit maakt het mogelijk om de prestaties en latency in een echte productieomgeving te testen zonder risico voor de gebruiker.
• Blue-green deployments: Twee identieke omgevingen (blue en green) worden naast elkaar gedraaid, waarbij de routering snel kan worden omgeschakeld van de oude naar de nieuwe versie.

4. Monitoring en drift-detectie

Een model dat vandaag goed presteert, kan morgen verouderd zijn door veranderend gedrag in de echte wereld. Dit fenomeen staat bekend als modeldrift. We onderscheiden hierin twee vormen: datadrift (de invoerdata verandert ten opzichte van de trainingsdata) en conceptdrift (de statistische relatie tussen de invoer en de voorspelling verandert). De MLOps-engineer richt monitoringssystemen in (met tools zoals Evidently of Great Expectations) om deze afwijkingen vroegtijdig te signaleren en automatische waarschuwingen te versturen.

5. Kostenbeheersing en resource-optimalisatie

Het trainen en hosten van machine learning-modellen vereist aanzienlijke rekenkracht, vaak in de vorm van dure GPU's. Een belangrijke taak van de MLOps-engineer is het optimaliseren van deze resources. Dit gebeurt door het instellen van automatische schaling (autoscaling) op basis van de werkelijke belasting en het selecteren van de juiste instantietypen in de cloud om onnodige idle-tijd van dure hardware te voorkomen.

6. Terugrolstrategieën (rollbacks)

Wanneer uit de monitoring blijkt dat een nieuw model onverwacht slecht presteert of fouten genereert, moet het systeem direct kunnen ingrijpen. De MLOps-engineer configureert automatische rollbacks, waarbij het verkeer direct wordt teruggeleid naar de laatst bekende stabiele modelversie. Dit vereist dat de infrastructuur staat ingesteld op staatloze (stateless) model-microservices die snel kunnen worden opgestart en afgebroken.

Hoe LLM's het vakgebied hebben verschoven naar LLMOps

De opkomst van Large Language Models (LLM's) en generatieve AI heeft geleid tot een significante verschuiving binnen het MLOps-domein, vaak aangeduid als LLMOps. De focus is verschoven van het zelf trainen van modellen naar het effectief beheren en optimaliseren van reeds bestaande, gigantische modellen.

Waar voorheen veel tijd werd besteed aan het ontwerpen van op maat gemaakte trainingsarchitecturen, ligt de prioriteit nu bij het inrichten van een efficiënte inferentie-infrastructuur. Dit omvat het opzetten van systemen voor modeloptimalisatie (zoals kwantisatie en distillatie) en het configureren van gespecialiseerde inferentieservers zoals vLLM of Triton Inference Server. Deze servers zorgen ervoor dat de latency en de kosten per gegenereerd token zo laag mogelijk blijven.

Daarnaast is de evaluatie van generatieve systemen fundamenteel anders dan die van traditionele classificatiemodellen. Er is geen sprake van een eenvoudige F1-score of MSE-metric. Evaluatiepijplijnen moeten nu omgaan met niet-deterministische output. Dit vereist het opzetten van systemen die gebruikmaken van LLM-as-a-judge methodologieën en het structureel uitvoeren van regressietesten. Voor het inrichten van dergelijke evaluatiesystemen is het noodzakelijk om gebruik te maken van gerichte methoden voor regressietesten voor prompts om de consistentie van de output te waarborgen.

Ook promptbeheer is een integraal onderdeel van de deployment-pijplijn geworden. Prompts worden tegenwoordig behandeld als software-artefacten: ze moeten worden getest, geversioneerd en beheerd in centrale repositories. Ten slotte vereist de complexiteit van applicaties die gebruikmaken van Retrieval-Augmented Generation (RAG) of multi-agent systemen een dieper niveau van tracing. MLOps-engineers richten zich daarom intensief op het implementeren van systemen voor uitgebreide observability en logging om knelpunten in complexe LLM-ketens snel te kunnen diagnosticeren.

Typische instroomroutes en ontwikkelpaden

Er bestaat geen uniforme opleiding tot MLOps-engineer. Professionals stromen in vanuit verschillende disciplines binnen de IT en data-infrastructuur. Elke route brengt specifieke sterktes met zich mee, maar vereist ook het overbruggen van specifieke kennisgaten.

Vanuit software-engineering

Software-engineers hebben een sterke basis in programmeerprincipes, CI/CD-pijplijnen, testen en systeemarchitectuur. Zij begrijpen hoe ze robuuste code moeten schrijven die voldoet aan enterprise-standaarden. Het belangrijkste ontwikkelpunt voor deze groep is het begrijpen van de niet-deterministische aard van machine learning. Waar traditionele software bij dezelfde invoer altijd dezelfde uitvoer geeft, is dat bij ML niet het geval. Zij moeten zich verdiepen in de basisprincipes van data science, modeltraining en statistiek. Voor deze transitie kan het raadzaam zijn om te starten met een gestructureerd leerpad voor beginners in machine learning.

Vanuit data-engineering

Data-engineers zijn gewend om met grote hoeveelheden data te werken en begrijpen dataopslag, database-optimalisatie en ETL-processen (Extract, Transform, Load) als geen ander. Zij zijn vaak al bekend met tools zoals Spark of Airflow. Om de overstap naar MLOps te maken, moeten zij zich focussen op realtime applicatiearchitecturen (zoals het ontsluiten van modellen via API's met lage latency), containerorkestratie met Kubernetes en de specifieke lifecycle-managementtools van machine learning.

Vanuit DevOps en systeembeheer

DevOps-engineers hebben een diepgaande kennis van cloudinfrastructuur, netwerken, Kubernetes en infrastructuur-als-code (Terraform). Zij zijn uitstekend uitgerust om de hostingomgevingen te beheren. Hun uitdaging ligt in het begrijpen van de specifieke behoeften van data scientists. Zij moeten leren werken met data-specifieke tooling, begrijpen hoe trainingspijplijnen verschillen van standaard software-builds en hoe ze de prestaties van wiskundige modellen moeten monitoren en interpreteren.

Vanuit data science

Data scientists begrijpen de wiskunde achter de modellen, weten hoe ze features moeten selecteren en hoe ze een model moeten trainen en evalueren. Zij lopen echter vaak aan tegen een gebrek aan kennis op het gebied van software-engineering. Om MLOps-engineer te worden, moeten zij leren om clean code te schrijven, versiebeheer (Git) professioneel toe te passen en zich te bekwamen in containerisatie (Docker), CI/CD en cloudinfrastructuur.

Essentiële vaardigheden en hoe je ze zelfstandig opbouwt

In vacatures voor MLOps-engineers wordt vaak gevraagd naar een breed scala aan tools en technologieën. Het kan ontmoedigend zijn om deze vaardigheden op te bouwen wanneer je huidige werkgever deze methodologieën nog niet toepast. Toch is het goed mogelijk om deze kennis zelfstandig te vergaren met behulp van open-source software en lokale ontwikkelomgevingen.

De belangrijkste technologische pijlers en de manier om ze zelfstandig onder de knie te krijgen zijn:

• Containerisatie: Leer Docker door je eigen applicaties te verpakken in containers. Zorg dat je begrijpt hoe multi-stage builds werken om container-images klein en veilig te houden.
• Orkestratie: Installeer een lokaal Kubernetes-cluster met behulp van Minikube of Kind (Kubernetes in Docker). Oefen met het schrijven van Kubernetes-manifesten voor het deployen van eenvoudige webapplicaties en model-API's.
• Experiment Tracking & Model Registry: Draai MLflow lokaal op je computer. Schrijf een eenvoudig Python-script dat een model traint en log de parameters, metrics en het uiteindelijke model-artefact naar je lokale MLflow-server.
• Infrastructuur als code (IaC): Maak een gratis account aan bij een cloudprovider (AWS, GCP of Azure) en gebruik Terraform om resources op te zetten en weer af te breken. Dit leert je hoe je infrastructuur reproduceerbaar kunt definiëren.
• CI/CD: Gebruik GitHub Actions om automatisch tests uit te voeren op je code zodra je een commit pusht. Automatiseer ook het bouwen van een Docker-image en het pushen hiervan naar een container registry.

Het ontwerpen van een overtuigend portfolioproject

Bij het solliciteren naar een MLOps-rol is een portfolio met code-repositories vaak doorslaggevend. Werkgevers zoeken niet naar een ingewikkeld deep learning-model met een hoge nauwkeurigheid; zij zoeken naar een demonstratie van een robuust, geautomatiseerd systeem. Een sterk portfolioproject focust op reproduceerbaarheid, automatisering en meetbaarheid.

Een effectieve opzet voor een portfolioproject bestaat uit de volgende elementen:

1. Een eenvoudige modelbasis: Gebruik een standaard dataset (zoals huizenprijzen of klantverloop) en train een eenvoudig model (bijvoorbeeld een Random Forest). Dit houdt de focus op de infrastructuur in plaats van op modeloptimalisatie.
2. Geautomatiseerde trainingspijplijn: Schrijf een script dat data ophaalt, transformeert, het model traint en het model met de bijbehorende metrics opslaat in een registry.
3. CI/CD-integratie: Richt een pijplijn in die automatisch start wanneer de code verandert. Deze pijplijn moet linter-checks uitvoeren, unit-tests draaien en het getrainde model verpakken in een Docker-container.
4. API-ontsluiting: Ontwikkel een eenvoudige REST API (bijvoorbeeld met FastAPI) die de container gebruikt om voorspellingen te doen op basis van nieuwe invoerdata.
5. Monitoring en feedback-loop: Implementeer een basissysteem dat inkomende verzoeken en voorspellingen logt. Schrijf een script dat periodiek controleert of er sprake is van datadrift en stuur een notificatie als dit het geval is.

Documenteer het project grondig in een README-bestand. Leg uit hoe de architectuur in elkaar zit, welke ontwerpbeslissingen je hebt genomen en hoe iemand het project lokaal kan reproduceren met een minimaal aantal commando's. Meer tips over het structureren van dergelijke projecten zijn te vinden in de gids over portfolioprojecten in de praktijk.

Doorgroeirichtingen en specialisaties

Het carrierepad van een MLOps-engineer biedt verschillende mogelijkheden voor specialisatie en doorgroei naarmate men meer ervaring opdoet in de praktijk.

Senior en Lead MLOps-engineer

In deze rol verschuift de focus van het bouwen van individuele pijplijnen naar het ontwerpen van de algehele technische strategie voor het AI-platform van de organisatie. Je selecteert de tooling-stack, definieert beveiligingsstandaarden en zorgt voor de integratie met bestaande enterprise-systemen. Daarnaast begeleid en coach je junior teamleden.

Platformarchitect (AI & Data)

Als platformarchitect ben je verantwoordelijk voor het grotere geheel. Je ontwerpt de data-infrastructuur die zowel data-engineering, data science als MLOps ondersteunt. Dit vereist een diepgaand begrip van cloud-architectuur, datamodellering, netwerkbeveiliging en compliance-wetgeving.

FinOps-specialist voor Machine Learning

Gezien de hoge kosten die gepaard gaan met het trainen en draaien van grote modellen (in het bijzonder LLM's), richten sommige MLOps-engineers zich volledig op kostenoptimalisatie. Zij analyseren het resourceverbruik, implementeren geavanceerde autoscaling-strategieën en adviseren over de meest kostenefficiënte manieren om aan de prestatie-eisen te voldoen.

De Nederlandse MLOps-markt

In Nederland is de vraag naar MLOps-engineers geconcentreerd in specifieke sectoren die beschikken over volwassen datateams en de middelen om AI-oplossingen op schaal te implementeren. Dit heeft invloed op het type werk en de technologische uitdagingen die je tegenkomt.

De belangrijkste werkgevers zijn te vinden in de volgende segmenten:

• Scale-ups en tech-bedrijven: Deze organisaties lopen vaak voorop in de adoptie van moderne open-source tools en cloud-native architecturen. De focus ligt hier op snelheid, flexibiliteit en het snel in productie nemen van nieuwe features.
• Financiële sector (banken en verzekeraars): Binnen deze sector zijn veiligheid, traceerbaarheid en compliance van het grootste belang. MLOps-engineers werken hier in streng gereguleerde omgevingen en besteden veel tijd aan het inrichten van audit-trails, data-lineage en bias-detectie om te voldoen aan wet- en regelgeving zoals de Europese AI Act.
• Overheid en semioverheid: Hier ligt de nadruk sterk op transparantie, verklaarbaarheid van modellen en de soevereiniteit van data. Dit betekent dat er vaak gewerkt wordt met on-premise infrastructuren of specifieke Europese cloudoplossingen, wat unieke uitdagingen met zich meebrengt voor het opzetten van standaardsystemen.
• Gespecialiseerde consultancies: Veel organisaties hebben zelf niet de kennis in huis om een MLOps-platform op te zetten en huren hiervoor externe expertise in. Als consultant werk je aan uiteenlopende projecten bij verschillende klanten, wat zorgt voor een snelle opbouw van diverse praktijkervaring.

Lees ook

• Het overzicht van AI-rollen en hun verschillen
• Basisvaardigheden via een gestructureerd leerpad