Data/MLOps Engineer (Computer Vision & Industrialisation) - CDI

Au sein d'une Factory Analytics dédiée à la conception de services analytiques pour les équipes métier, l'intervenant(e) rejoint un projet de Contrôle de Planogramme par Computer Vision, actuellement en phase d'industrialisation et de passage à l'échelle.

Objectif de l'intervention
Bâtir l'architecture data et MLOps permettant de supporter l'ingestion massive d'images terrain et d'exposer en temps réel les résultats des modèles de Computer Vision aux outils métier utilisés en magasin.

Périmètre des prestations & livrables

Ingestion de données & stabilité des pipelines

• Conception et sécurisation de pipelines d'ingestion/prétraitement à grande échelle pour données non structurées (images haute résolution + métadonnées associées).

Conception & exposition d'API

• Développement, optimisation et maintenance d'API REST à faible latence (FastAPI) pour servir les résultats d'inférence aux applications mobiles terrain et tableaux de bord décisionnels.

Serving, MLOps & architecture Cloud (GCP)

• Structuration et industrialisation des pipelines d'inférence (batch/streaming) sur GCP, en collaboration avec les Data Scientists, pour optimiser latence et coûts.

Observabilité & qualité des flux

• Déploiement d'outils de monitoring continu : alerting sur rupture de flux, suivi de latence API, gestion automatisée des fichiers corrompus/non conformes.

Industrialisation, CI/CD & standards Factory

• Automatisation des déploiements (Docker, Cloud Run/Kubernetes, CI/CD) et respect de la Definition of Done (DoD) de la Factory.

Compétences requises (Must Have)

• Python : excellent niveau, orienté POO, performance, design patterns ; développement d'API robustes (FastAPI, Flask)

• Données non structurées & storage : stockage/traitement de flux d'images ou fichiers volumineux (GCS, formats image, indexation, métadonnées)

• GCP : pratique avancée de Cloud Storage, BigQuery, Cloud Run/GKE, Pub/Sub, Cloud Composer/Airflow

Compétences appréciées (Nice to Have)

• DBT (transformation et orchestration de données)

• SQL avancé sur gros volumes / BigQuery

• Pub/Sub pour flux temps réel

• CI/CD (GitLab CI / GitHub Actions), Docker Compose

• Linux, ligne de commande, Git

• Méthodologie agile (Scrum)

• Sensibilité Computer Vision / Deep Learning : cycle de vie modèle, formats ONNX, TensorRT, GPU cloud

• Terraform (Infrastructure as Code)