Machine Learning Engineer / MLOps Senior - Freelance

Contexte

Rejoins une équipe dynamique d'une dizaine d'expert·es data (Data Scientist, ML Engineer, Data Analysts, Analytics Engineer) au cœur de la stratégie technologique d'une grande entreprise spécialisée. Notre mission est de construire des plateformes scalables pour transformer l'expérience client et sécuriser nos opérations. Nous relevons des défis passionnants tels que la modération automatique d'avis et la lutte contre la fraude, avec un impact direct sur des millions d'utilisateurs·trices à travers le monde. Chez nous, l'innovation se conjugue avec l'esprit d'équipe et le droit à l'erreur pour grandir ensemble.

Missions

En tant que Machine Learning Engineer / MLOps Senior, tu seras le pilier technique de l'industrialisation, de la mise à l'échelle et du déploiement de nos produits Data, incluant l'intégration pragmatique des technologies d'IA générative et agentique. Tes missions principales incluent :

• Architecture, design & robustesse MLOps : concevoir, bâtir et maintenir des architectures de production hautement disponibles et scalables pour le cycle de vie complet des modèles ML classiques et génératifs (LLMOps), en veillant toujours à éviter l'over-engineering.

• Exploration & intégration agentique : participer à la conception et à l'architecture de systèmes autonomes et multi-agents. Mettre en œuvre l'interopérabilité des services via des protocoles modernes (comme le Model Context Protocol - MCP) et des frameworks d'orchestration de manière simple et robuste.

• Industrialisation & automatisation : automatiser l'entraînement, l'évaluation, la validation et le déploiement des pipelines de données et d'agents, en concevant des workflows CI/CD fiables et sécurisés.

• Leadership technique & pragmatisme : promouvoir les meilleures pratiques d'ingénierie logicielle (clean code, architecture modulaire, tests rigoureux), mentoriser les membres plus juniors de l'équipe et prôner des choix technologiques pragmatiques et orientés valeur.

• Observabilité & suivi : mettre en œuvre des systèmes de monitoring adaptés (détection de dérive de données, évaluation de la pertinence des réponses/guardrails, et suivi des coûts d'infrastructure).

Outils & Environnement

• Kubernetes (Expert)

• AWS (Confirmé)

• Full Stack Python (Expert)

• MLflow (Expert)

• Vector Databases (Confirmé)

• CI/CD (Expert)

• Technologies Google (Confirmé)

• Google ADK (Expert)

• PyTorch (Confirmé)

• Docker (Expert)