About this role
SRQ165549 Je werkt binnen het Data Science Forecasting team aan betrouwbare korte-termijnvoorspellingen van netbelasting. In deze opdracht richt je je op het implementeren van het OpenSTEF-model voor alle LS-transformatoren. Je onderzoekt welke verbeteringen de meeste forecastwinst opleveren en vertaalt succesvolle experimenten naar productiegeschikte oplossingen. Daarbij werk je intensief samen met data scientists, machine-learning engineers, de Product Owner en andere stakeholders. Je levert een directe bijdrage aan betere forecastkwaliteit, netveiligheid en schaalbare datagedreven besluitvorming. Wat ga je doen - Je analyseert de huidige forecastkwaliteit en selecteert locaties, horizons en situaties met het grootste verbeterpotentieel. - Je voert backtesting en benchmarkanalyses uit van OpenSTEF-methoden ten opzichte van de bestaande referentie, met passende kwaliteitsmetrics en segmentatie. - Je werkt aan verbeteringen voor lastige patronen, zoals flatlines, pieken, ontbrekende waarden, onvoorspelbare assets en beperkte historische data. - Je experimenteert met modelselectie, ensembles, kalibratie en betrouwbaarheidsintervallen. - Je verkent en valideert foundation-model-capabilities zodra deze toepasbaar en verantwoord inzetbaar zijn. - Je vertaalt succesvolle experimenten naar onderhoudbare Python-code, tests, configuratie en reproduceerbare pipelines. - Je verbetert de monitoring op forecastkwaliteit, datakwaliteit en modelgedrag. - Je draagt waar relevant bij aan OpenSTEF via issues, documentatie, reviews of pull requests. - Je zorgt voor kennisoverdracht aan het team en documenteert keuzes, resultaten en vervolgstappen helder. Over jou - Je kunt hypotheses snel toetsen en weet wat nodig is om een model betrouwbaar in een kritische productieketen te laten landen. - Je communiceert helder met zowel technische collega’s als businessstakeholders en legt keuzes transparant vast. - Je werkt zelfstandig, zoekt actief de samenwerking op en draagt aantoonbaar ke.