Data Engineer Sénior - Morphome

Contexte

Mission consistant à développer une solution permettant aux chercheurs de transformer leurs analyses exploratoires en traitements fiables et réutilisables.

Missions

• Développer une solution logicielle pour la transformation d’analyses exploratoires en traitements fiables et réutilisables

• Collaborer avec des chercheurs et un Data Scientist dans un contexte de recherche

• Monter en compétence rapidement sur les outils spécifiques du projet

• Assurer la communication claire avec des profils non techniques

Outils & Environnement & Compétences obligatoires

• Maîtrise de GCP : GKE, IAM, GCS, BigQuery

• Python en production : conception modulaire (principes SOLID, architecture hexagonale ou équivalent), typage statique, tests unitaires/d'intégration

• Docker, Git et CI/CD avec expérience concrète de déploiement et de diagnostic (debugging pipelines)

• SQL, modélisation de données et définition de contrats de données (data contracts)

• Expérience cloud avec adaptation de modules Terraform existants (pas nécessairement de conception from scratch, mais capacité à faire évoluer un IaC existant)

• Réalisation agentique concrète : appels d'outils/API, gestion des erreurs, dans le cadre d'un projet réel ou d'un démonstrateur

Compétences appréciées (Nice-to-have)

• Agents IA déjà déployés en production

• MCP, Claude Code

• GitLab CI

• Vertex AI / KFP et MLOps avancé

• Analyse statique de code Python (AST/LSP)

• Connaissances en imagerie médicale et histopathologie

Soft skills

• Autonomie et rigueur

• Communication claire, notamment avec des profils non techniques (chercheurs) et le Data Scientist

• Capacité à monter en compétence rapidement sur les outils spécifiques du projet

• Esprit de collaboration dans un contexte de recherche

1. Maîtrise de GCP : GKE, IAM, GCS, BigQuery
2. Python en production : conception modulaire (principes SOLID, architecture hexagonale ou équivalent), typage statique, tests unitaires/d'intégration
3. Docker, Git et CI/CD avec expérience concrète de déploiement et de diagnostic (debugging pipelines)
4. SQL, modélisation de données et définition de contrats de données (data contracts)
5. Expérience cloud avec adaptation de modules Terraform existants
6. Une première réalisation agentique concrète : appels d'outils/API, gestion des erreurs, dans le cadre d'un projet réel ou d'un démonstrateur
7. Autonomie et rigueur
8. Communication claire, notamment avec des profils non techniques (chercheurs) et le Data Scientist
9. Capacité à monter en compétence rapidement sur les outils spécifiques du projet
10. Esprit de collaboration dans un contexte de recherche