Sollicitatievragen voor AI Engineer (2026)
De rol van AI engineer is nieuwer en minder gestandaardiseerd dan software of data science, dus sollicitatiegesprekken variëren sterk — maar een proces in 2026 onderzoekt meestal LLM-fundamenten, retrieval-augmented generation (RAG), prompt- en context-engineering, evaluatie, en het engineeringwerk om AI-functies betrouwbaar te leveren. Veel processen behouden ook een klassieke coderonde, dus verwaarloos datastructuren niet.
Interviewers zoeken iemand die zowel de modellen als de engineering daaromheen begrijpt: hoe transformers en attention conceptueel werken, hoe je een model met retrieval verankert, hoe je niet-deterministische systemen evalueert, en hoe je latency en kosten in productie beheerst. Vaag zeggen 'we roepen gewoon de API aan' is een snelle manier om te falen.
Omdat het veld snel beweegt, telt aantonen dat je vanuit eerste principes redeneert — en dat je levert en meet, niet alleen prototypet — meer dan de benchmarkcijfers van gisteren opnoemen.
Sollicitatievragen voor AI Engineer en hoe je ze beantwoordt
1. Leg op hoog niveau uit hoe attention werkt in een transformer.
Aanpak: Beschrijf query/key/value, scaled dot-product attention, en waarom self-attention elk token in staat stelt aandacht te geven aan elk ander token — waardoor langeafstandsafhankelijkheden worden vastgelegd waarmee RNN's moeite hebben. Noem de rol van multi-head attention en de kwadratische kosten.
2. Hoe zou je een RAG-systeem ontwerpen voor de kennisbank van een bedrijf?
Aanpak: Loop de pipeline door: chunking-strategie, keuze van embedding-model, een vector store, retrieval (top-k, hybride met keyword), reranking, en prompt-assemblage. Bespreek chunk-overlap, het verversen van verouderde data, en het citeren van bronnen.
3. Hoe verminder je hallucinations in een LLM-toepassing?
Aanpak: Verankeren met retrieval, beperken met gestructureerde outputs, lagere temperature voor feitelijke taken, citatie-eisen toevoegen, en verifiëren met een tweede pass of regels. Benadruk evaluatie: je kunt niet verminderen wat je niet meet.
4. Hoe zou je een niet-deterministische LLM-feature evalueren?
Aanpak: Bouw een gelabelde evaluatieset, gebruik rubric-gebaseerde of LLM-as-judge scoring, volg regressie bij prompt-/modelwijzigingen, en combineer offline evals met online metrics. Noem de kosten- en biasvoorbehouden van LLM-as-judge.
5. Wanneer zou je fine-tunen versus RAG versus prompt engineering gebruiken?
Aanpak: Prompt engineering eerst (goedkoopst, snelst). RAG voor kennis/actualiteit. Fine-tuning voor gedrag, formaat, of domeinstijl die prompting niet betrouwbaar kan bereiken. Vaak een combinatie; onderbouw met kosten, latency en onderhoudbaarheid.
6. Hoe beheers je latency en kosten in een LLM-product?
Aanpak: Modelkeuze per taak (kleine modellen voor eenvoudige beurten), prompt-/context-trimming, caching, streaming voor ervaren latency, batching, en routing. Kwantificeer: een kleinere context en een goedkoper model kunnen de kosten met een orde van grootte verlagen.
7. Wat zijn de trade-offs van een model lokaal draaien versus via een cloud-API?
Aanpak: Lokaal: privacy, geen kosten per token, offline, maar beperkt door hardware en modelgrootte. Cloud: topmodellen en schaal, maar kosten, latency, en data die je apparaat verlaat. Koppel aan de use case — precies de trade-off waar Natively om is gebouwd.
8. Hoe zou je een embedding-model kiezen voor retrieval?
Aanpak: Match met domein en taal, controleer MTEB-achtige benchmarks, weeg dimensiegrootte af tegen opslag/latency, en valideer op JOUW data met een retrieval-eval. Vertrouw een leaderboard niet meer dan een domeinspecifieke test.
9. Implementeer een simpele semantische zoekopdracht over een set documenten.
Aanpak: Embed de documenten en de query, sla de vectoren op, berekenen de cosinusgelijkenis (of gebruik een vectorindex zoals sqlite-vec/FAISS), retourneer de top-k. Bespreek normalisatie en de snelheid-/nauwkeurigheid-trade-off van approximate nearest neighbor.
10. Vertel over een AI-feature die je hebt gelanceerd en hoe je het succes ervan hebt gemeten.
Aanpak: STAR. Benadruk de evaluatiemethodologie en de productiemetric, niet alleen de demo. Er wordt gezocht naar AI engineers die leveren en meten — in plaats van eindeloos te prototypen.
Krijg realtime hulp tijdens je sollicitatiegesprek als AI engineer
Natively is zelf een local-first AI-applicatie — on-device LLM's, lokale RAG met sqlite-vec, en een bring-your-own-key-architectuur. In een live AI-engineering-gesprek kan het de vraag transcriberen en een precieze definitie of trade-off in realtime op je apparaat tonen.
