Machine Learning Engineer / MLOps Senior - Freelance

Taux journalier (TJM): 580

Dans le cadre du développement de produits Data à fort impact, nous recherchons un·e Machine Learning Engineer / MLOps Senior pour rejoindre une équipe pluridisciplinaire composée d’une dizaine d’expert·es : Data Scientists, ML Engineers, Data Analysts et Analytics Engineers.

L’équipe conçoit et industrialise des plateformes Data scalables destinées à améliorer l’expérience de millions d’utilisateurs et à sécuriser des opérations critiques. Les cas d’usage adressés comprennent notamment la modération automatique de contenus, la détection de fraude ainsi que l’intégration de technologies d’intelligence artificielle générative et agentique.

En tant que référent·e technique MLOps, vous interviendrez sur l’ensemble du cycle de vie des modèles de Machine Learning, depuis leur industrialisation jusqu’à leur déploiement et leur supervision en production.

Vos principales missions

• Concevoir, construire et maintenir des architectures MLOps et LLMOps robustes, hautement disponibles et scalables.

• Industrialiser le cycle de vie des modèles de Machine Learning classiques et génératifs.

• Participer à la conception de systèmes autonomes et multi-agents.

• Mettre en œuvre l’interopérabilité entre différents services et agents à l’aide de protocoles modernes, notamment le Model Context Protocol – MCP.

• Intégrer des frameworks d’orchestration agentique tels que Google Agent Development Kit – ADK, en privilégiant des solutions simples et maintenables.

• Automatiser l’entraînement, l’évaluation, la validation et le déploiement des modèles, pipelines Data et agents IA.

• Concevoir et faire évoluer des workflows CI/CD fiables, sécurisés et reproductibles.

• Développer des APIs et des services Python conteneurisés destinés à des environnements distribués.

• Mettre en place des dispositifs d’observabilité adaptés : détection de dérive des données et des modèles, évaluation de la pertinence des réponses, guardrails, suivi des performances et maîtrise des coûts d’infrastructure.

• Promouvoir les meilleures pratiques d’ingénierie logicielle : clean code, architecture modulaire, tests automatisés, documentation et maintenabilité.

• Accompagner techniquement les membres de l’équipe et contribuer à leur montée en compétence.

• Challenger les choix d’architecture afin d’éviter l’over-engineering et de privilégier des solutions pragmatiques, orientées valeur et adaptées aux besoins métiers.

Objectifs et livrables

• Disposer de pipelines MLOps et LLMOps fiables, automatisés et exploitables à grande échelle.

• Accélérer et sécuriser le passage des expérimentations Data vers la production.

• Améliorer la qualité, la disponibilité et l’observabilité des produits Machine Learning.

• Concevoir des architectures agentiques simples, robustes et interopérables.

• Structurer et diffuser les standards d’ingénierie MLOps au sein de l’équipe.

• Garantir la maintenabilité des solutions tout en maîtrisant les performances et les coûts d’infrastructure.