ML Ingénieur - Google Cloud

Contexte

Afin d’améliorer la personnalisation de l’expérience utilisateurs, une équipe dédiée est créée, travaillant sur des sujets de recommandation et de machine learning en production. Cette équipe est composée d’un Product Owner, un Data Scientist, un lead ML ingénieur et un ML ingénieur. La stack technique est basée sur Google Cloud et constituée, entre autres, de Python, Vertex AI, BigQuery, Cloud Run et Airflow pour l’orchestration des traitements. La stack inclut aussi d’autres services de la Google Cloud Platform.

Missions

• Créer un premier cas d’usage en lien avec la personnalisation de l’expérience utilisateur

• Déployer ce projet et AB tester en production

• Mettre en place un monitoring et un contrôle des performances

En interaction avec les membres de l’équipe, la prestation consiste à :

• Concevoir, construire et maintenir des pipelines ML robustes et scalables de la collecte des données à l’exposition des modèles via des API Rest

• Organiser et structurer le stockage des données

• Assurer l’évolutivité, la sécurité, la stabilité des environnements

• Mettre en place et maintenir les infrastructures scalables capables de répondre aux besoins et au volume de données

• Industrialiser les modèles IA en lien avec les data scientists

• Construire et maintenir les workflows de la CI/CD

• Collaborer avec les data ingénieurs et les autres équipes techniques pour appliquer les bonnes pratiques en vigueur

• Contribuer et veiller à la mise à jour de la documentation

• Faire de la veille technologique active dans le domaine

• Participer activement aux différentes phases de cadrage, de planification et de réalisation des tâches avec l’équipe

1. Au moins 3 ans d’expérience dans un environnement data / machine learning
2. Expériences dans le déploiement en production de modèles de machine learning
3. Expériences sur la Google Cloud Platform
4. Expériences avec des technologies de type Flask ou FastAPI
5. Maîtrise des langages Python et SQL
6. Solides connaissances en data : structures de données, code, architecture
7. Connaissances de l’infrastructure-as-code (Terraform)
8. Connaissances du Machine Learning, des concepts liés à l’IA
9. Connaissances des technologies liées à l’IA : tensorflow, sklearn etc.
10. Connaissances de Gitlab et Gitlab CI/CD
11. Capacité à vulgariser et à communiquer sur des aspects purement techniques
12. Pratique des méthodes Agile : de préférence Scrum ou Kanban