Industrialise le potentiel algorithmique et propulse les modèles d’apprentissage en production
Dans le cadre de l’industrialisation globale de ses modèles de Machine Learning, un grand compte recherche un(e) Machine Learning Engineer. Ton rôle sera technique et stratégique : tu assureras la transition des modèles algorithmiques du stade expérimental (Proof of Concept) vers des environnements de production haute disponibilité, tout en garantissant leur scalabilité, leur monitoring continu et leur maintien en conditions opérationnelles.
Ton futur environnement
Tu évolueras au sein d’un pôle d’ingénierie data et IA de pointe, à la jonction entre la Data Science, le génie logiciel et les opérations (DevOps). En interface quotidienne avec les data scientists, les data engineers et les équipes de production informatique, tu interviendras sur des flux d’inférence critiques. C’est le cadre idéal pour appliquer les standards les plus stricts du génie logiciel à l’écosystème du Machine Learning, exploiter des infrastructures de calcul accéléré (GPU) et déployer des pratiques MLOps avancées.
Tes missions clés
Industrialisation, Packaging & Services d’Inférence (Mode BUILD) :
-
Reprendre, refactoriser et packager le code issu des équipes de data science selon les standards de production (modularité, robustesse, tests unitaires et d’intégration).
-
Développer et optimiser les microservices et APIs d’inférence temps réel et batch (Python, FastAPI).
-
Assurer la conteneurisation (Docker) et le déploiement sur des clusters orchestrés (Kubernetes) exploitant des ressources de calcul accéléré (GPU).
-
Concevoir et automatiser les pipelines d’entraînement, de réentraînement continu (CT) et de validation automatisée des modèles.
-
Piloter le versioning des jeux de données, des artefacts et le tracking des expérimentations via MLflow et du stockage objet (S3).
Observabilité, Monitoring & Optimisation (Mode RUN & MLOps) :
-
Mettre en œuvre les mécanismes de surveillance continue en production : détection de la dérive des données (data drift) et de la dérive des concepts (concept drift) via des outils spécialisés (Evidently, Grafana).
-
Configurer le système d’alerting et assurer le maintien en conditions opérationnelles des services exposés.
-
Optimiser les performances d’inférence (latence, débit) et maîtriser les coûts de calcul liés aux infrastructures GPU.
-
Rédiger la documentation technique et diffuser les bonnes pratiques logicielles au sein des équipes data.
Ton profil
-
Formation : Diplôme d’Ingénieur ou Bac+5 universitaire en informatique, génie logiciel ou Data Science.
-
Expérience : Tu justifies d’une expérience confirmée de 3 à 5 ans en développement logiciel intégrant une spécialisation concrète en Machine Learning et pratiques MLOps.
-
Expertise Développement & Machine Learning Impérative :
-
Excellente maîtrise de la programmation en Python et du développement d’APIs performantes (FastAPI).
-
Solide compréhension des modèles et bibliothèques de Machine Learning (scikit-learn, PyTorch ou TensorFlow).
-
Culture éprouvée du code de production : tests automatisés, intégration continue (CI/CD), revue de code et gestionnaire de versions (Git).
-
-
Culture MLOps & Infrastructure :
-
Maîtrise des environnements conteneurisés (Docker, Kubernetes) et de la gestion des ressources GPU.
-
Pratique confirmée de MLflow et des outils de monitoring de modèles (Evidently, Grafana).
-
Connaissance du stockage distribué et stockage objet (S3).
-
-
Langues : Anglais professionnel opérationnel.
Tes atouts
-
Culture du Génie Logiciel : Rigueur absolue dans la structuration du code, l’automatisation des tests et le respect des normes d’architecture logicielle.
-
Sens de la Passerelle Métier : Faculté à dialoguer efficacement avec les data scientists pour comprendre les algorithmes, tout en répondant aux contraintes opérationnelles des équipes d’exploitation.
-
Pragmatisme et Sens de l’Optimisation : Recherche permanente du meilleur compromis entre vitesse d’inférence, fiabilité du service et consommation de ressources.