Nous recherchons un(e) Lead Technique MLOps/Data passionné(e) par l'intelligence artificielle et la gestion de pipelines de données pour superviser et optimiser nos workflows de machine learning. Vous serez le référent technique pour l'équipe, en pilotant des projets stratégiques tout en mettant en œuvre des solutions robustes et scalables. Encadrer une équipe d'ingénieurs MLOps et Data Engineers. Définir les standards de développement et les bonnes pratiques. Assurer la veille technologique pour intégrer les innovations dans l'écosystème existant. Construire et automatiser des pipelines CI/CD pour le déploiement de modèles de machine learning. Intégrer et orchestrer des workflows de bout en bout avec des outils comme Kubeflow, MLflow ou Airflow. Optimiser les modèles pour des environnements cloud et on-premise. Concevoir et superviser l'infrastructure de données (Data Lakes, Data Warehouses). Garantir la qualité, la gouvernance, et la sécurité des données utilisées pour l'entraînement des modèles. Superviser l'implémentation de solutions scalables pour la gestion des données massives (Big Data). Travailler en étroite collaboration avec les Data Scientists pour industrialiser les modèles. Élaborer des stratégies pour améliorer l'efficacité des pipelines ML, de l'entraînement à l'inférence. Assurer le reporting et la communication avec les parties prenantes. Profil du candidat Diplôme en informatique, intelligence artificielle, ou équivalent. Expérience significative (5+ ans) dans un rôle similaire (MLOps, Data Engineering, ou Lead technique). Une expertise démontrée dans la mise en production de modèles ML à grande échelle. Anglais professionnel requis pour les projets internationaux. Description de l'entreprise MLOps et Machine Learning : Expertise en MLOps avec des outils comme MLflow, Kubeflow, TFX ou Vertex AI. Bonne compréhension des concepts de machine learning et deep learning. Expérience avec des frameworks ML : TensorFlow, PyTorch, Scikit-learn. Infrastructure et conteneurisation : Maîtrise de Docker et Kubernetes pour l'orchestration des services. Expertise dans les environnements cloud (AWS, GCP, Azure). Data Engineering : Compétence avancée en gestion de données : Spark, Hadoop, ou autres outils Big Data. Maîtrise des bases de données relationnelles et NoSQL (PostgreSQL, MongoDB, Cassandra). Outillage DevOps : Expérience avec des outils CI/CD : Jenkins, GitLab CI/CD, ou Azure DevOps. Connaissance des outils de monitoring : Prometheus, Grafana, Datadog. Soft Skills : Solides compétences en leadership et en communication. Capacité à résoudre des problèmes complexes dans des environnements exigeants.