MLOps Engineer - CDI - CDI

Salaire: 45 000 € - 55 000 € par an

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.