ContexteDans le cadre du renforcement de son pôle tech, notre client recherche un·e Développeur·se Backend Python pour concevoir et faire évoluer des solutions backend au service de cas d?usage Machine Learning / Data (exposition de modèles, pipelines de prédiction, services temps réel). L?environnement GCP est un atout apprécié. MissionsConcevoir, développer et maintenir des APIs backend (REST/GraphQL) en Python pour servir des modèles ML (batch & temps réel). Industrialiser le cycle de vie des modèles : packaging, versioning, déploiement, monitoring de performances (latence, throughput, dérive). Travailler avec les data/ML engineers pour intégrer pipelines (pré/post-traitement, features stores, orchestrations). Mettre en place des tests (unitaires, intégration, contract tests), CI/CD et revues de code. Optimiser la scalabilité, la résilience et la sécurité des services (observabilité, logging, alerting, SLO/SLI). Contribuer aux bonnes pratiques d?architecture (12?factor, clean architecture, domain-driven design selon contexte). Documenter, outiller et mentorer ponctuellement des développeurs moins expérimentés. Environnement techniqueLangage : Python 3.x Frameworks : FastAPI / Flask / Django (selon besoin), Pydantic APIs & Protocoles : REST, OpenAPI/Swagger, GraphQL (bonus), gRPC (bonus) ML serving (selon projets) : BentoML / MLflow Model Serving / TorchServe / TF Serving Data/ML : Pandas, NumPy ; intégration avec pipelines existants (Airflow / Prefect / Dagster ? bonus) Conteneurisation & orchestration : Docker, Kubernetes CI/CD : GitHub Actions / GitLab CI / Cloud Build Observabilité : Prometheus/Grafana, OpenTelemetry, ELK/EFK Base de données : PostgreSQL, Redis ; éventuellement BigQuery (selon usage) Cloud (bonus apprécié) : GCP (GKE, Cloud Run, Cloud Functions, Pub/Sub, Cloud Build, Artifact Registry, Secret Manager) Profil recherché4 ans minimum d?expérience en développement backend Python en production. Solide maîtrise des APIs, des tests et des patterns d?architecture backend. Expérience concrète d?exposition/industrialisation de modèles ML (batch ou temps réel). Maîtrise de Docker et bonne compréhension de Kubernetes (déploiements, health checks, autoscaling). Culture DevOps : CI/CD, qualité de code, observabilité, sécurité applicative de base (authN/authZ, secrets). GCP : expérience ou appétence forte (un plus apprécié).