MLOps Engineer - CDI

Tu es passionné(e) par le Machine Learning, le Cloud et l’industrialisation des modèles ? Tu aimes transformer des prototypes Data Science en solutions robustes, scalables et prêtes pour la production ?

Tu souhaites intervenir sur des problématiques techniques variées, au croisement du Machine Learning, du Software Engineering, du Cloud et de la Data ?

Rejoins notre Guild Data Discoverii et accompagne nos clients dans la conception et l’industrialisation de plateformes MLOps modernes.

Missions

• Industrialiser les modèles Machine Learning : automatiser les différentes étapes du cycle de vie des modèles, de l’entraînement à la mise en production.

• Concevoir des pipelines MLOps : mettre en place des workflows fiables pour l’entraînement, la validation, l’évaluation et le déploiement des modèles.

• Automatiser les déploiements : concevoir et maintenir des pipelines CI/CD/CT permettant de déployer les modèles et leurs évolutions de manière fiable et reproductible.

• Construire les infrastructures ML : concevoir et administrer des environnements Cloud adaptés aux besoins d’entraînement et d’inférence.

• Orchestrer les workloads ML : déployer et maintenir des environnements conteneurisés avec Docker et Kubernetes, y compris pour des workloads nécessitant des ressources GPU.

• Gérer le cycle de vie des modèles : mettre en place et administrer des solutions de tracking, de versioning et de Model Registry avec notamment MLflow.

• Automatiser l’infrastructure : déployer et faire évoluer les environnements Cloud grâce à Terraform et aux pratiques d’Infrastructure as Code.

• Intégrer les environnements Data : travailler avec Databricks, Spark / PySpark et Airflow pour construire des pipelines Data & ML robustes.

• Mettre en place l’observabilité : suivre la qualité des données, les performances des modèles et détecter les éventuelles dérives en production.

• Développer et industrialiser les APIs : exposer les modèles et services Machine Learning dans des environnements de production.

• Accompagner les équipes Data : collaborer avec les Data Scientists et ML Engineers pour faciliter l’industrialisation de leurs modèles et promouvoir les bonnes pratiques MLOps.

• Garantir la qualité et la sécurité : appliquer les bonnes pratiques de Software Engineering, de CI/CD, de tests, de documentation et de gestion des environnements.

En 1er, un savoir-être en phase avec notre culture :

• Tu es autonome et capable de prendre en charge des sujets de bout en bout.

• Tu es pragmatique et tu sais concevoir des solutions simples, robustes et maintenables.

• Tu sais prendre du recul et challenger les choix techniques.

• Tu apprécies travailler avec des profils Data, Tech et métier.

• Tu communiques avec clarté et sais vulgariser des problématiques techniques complexes.

• Tu es curieux(se) et tu effectues une veille régulière sur les technologies MLOps, Cloud et Machine Learning.

• Tu apprécies le partage de connaissances et le travail en équipe.

En 2nd, un bagage technique solide :

• Une expérience de 3 à 5 ans en MLOps, ML Engineering, DevOps ou Platform Engineering appliqué au Machine Learning, hors stages et alternances.

• Une bonne maîtrise du cycle de vie complet des modèles Machine Learning, de l’expérimentation jusqu’à la production.

• Une très bonne maîtrise de Python et de son écosystème.

• Une expérience significative avec Kubernetes et Docker.

• Une bonne maîtrise des environnements Cloud, notamment AWS et GCP.

• Une expérience avec MLflow, Model Registry et les outils de gestion du cycle de vie des modèles.

• Une bonne maîtrise des pratiques CI/CD, de Git et de GitHub Actions.

• Une expérience avec Terraform et l’Infrastructure as Code.

• Une bonne connaissance de Databricks, Spark / PySpark et Airflow.

• Une expérience dans l'industrialisation et le déploiement de modèles ML en production.

• Une bonne compréhension des architectures distribuées et des problématiques de scalabilité.

Les petits plus qui feront la différence :

• Une expérience avec des environnements GPU et des clusters auto-scalables.

• Une maîtrise de PyTorch ou TensorFlow.

• Une expérience avec un Feature Store.

• Une connaissance des Vector Databases.

• Une expérience sur des problématiques LLM, IA générative ou RAG.

• Une expérience dans la conception de systèmes agentiques ou multi-agents.

• Une connaissance des problématiques de Model Monitoring, Data Drift et Model Drift.

• Une maîtrise d’Ansible.

• Une expérience sur des environnements Data à très grande échelle.

• Une bonne maîtrise de l’anglais pour évoluer dans des contextes internationaux.