Machine Learning Engineer — ML, Python & MLOps
Description du poste
Nous recherchons un(e) Machine Learning Engineer expérimenté(e)(MINIMUM 3 ANS EN CDI) pour concevoir, industrialiser et mettre en production des solutions basées sur le Machine Learning.
Vous intervenez sur l'ensemble du cycle de vie des modèles, de l'expérimentation jusqu'à leur déploiement et leur exploitation en production. Vous êtes à l'interface entre les équipes Data, Software et Infrastructure, avec une forte dimension MLOps / Ops.
Vous aurez notamment pour missions de :
- Concevoir et développer des solutions de Machine Learning répondant à des problématiques métier concrètes.
- Préparer, transformer et exploiter les données nécessaires à l'entraînement des modèles.
- Expérimenter, entraîner et évaluer différents modèles et approches.
- Industrialiser le cycle de vie des modèles, de l'expérimentation au déploiement.
- Déployer et maintenir des modèles de Machine Learning en production.
- Concevoir des pipelines d'entraînement, de validation et de déploiement automatisés.
- Mettre en place des mécanismes de monitoring et d'observabilité des modèles.
- Suivre les performances des modèles et détecter les dérives de données ou de performance.
- Automatiser les infrastructures et les processus liés au Machine Learning.
- Participer à la conception d'architectures ML robustes, scalables et maintenables.
- Collaborer avec les Data Scientists, Data Engineers, Software Engineers et équipes Infrastructure/DevOps.
Vous avez une solide maîtrise de Python et une expérience significative dans la mise en production de modèles de Machine Learning.
Vous maîtrisez notamment
- Python
- Machine Learning et principales méthodes de modélisation
- Scikit-learn et/ou des frameworks de Deep Learning tels que PyTorch ou TensorFlow
- Conception de pipelines de données et de Machine Learning
- Déploiement et industrialisation de modèles
- Git
- Environnements Linux
- Bonnes pratiques de développement logiciel et de tests
- MLOps
- MLflow, Kubeflow ou équivalent
- Docker
- Kubernetes
- CI/CD
- Infrastructure as Code : Terraform, Ansible ou équivalent
- Cloud : AWS, Azure ou GCP
- Airflow ou outils d'orchestration
- Feature Store
- Monitoring et observabilité des modèles
- Model serving et APIs
- GPU / environnements de calcul distribués
La maîtrise de l'ensemble des technologies mentionnées n'est pas indispensable : une solide expérience en Machine Learning et une réelle appétence pour les sujets MLOps, infrastructure et production sont les éléments essentiels.
Ce poste vous intéresse ?