Fiche de Poste ? DevOps / ML Ops ? Data Science & CICD Contexte : Dans le cadre du renforcement de notre équipe Data Science & DevOps, nous recherchons un profil hybride ayant une solide maîtrise des pipelines CI/CD, des bonnes pratiques de développement logiciel et une bonne compréhension des concepts Data Science. Le poste requiert une expertise en gestion de versions de modèles ML et une capacité à mettre en place des workflows robustes pour le déploiement et le monitoring de modèles en production. Missions : Mise en place et gestion des pipelines CI/CD : Développer et maintenir des pipelines CI/CD complexes sous GitLab-CI pour des projets Data Science. Automatiser les workflows de bout en bout (préprocessing, entraînement, déploiement) via Docker et des services cloud. Assurer le versionnage des conteneurs et le suivi des environnements de production. Gestion de la qualité du code : Implémenter et configurer des outils de code quality : Ruff, Black, MyPy, SonarQube. Garantir le respect des bonnes pratiques de développement : architecture de code, structuration des API, couverture des tests (unitaires et intégration). Contribution Data Science : Participer aux étapes clés du cycle de vie des projets ML : data sourcing, preprocessing, feature engineering, training, monitoring. Collaborer avec les Data Scientists pour industrialiser les modèles et mettre en place un suivi des performances. Gestion des versions des modèles ML : Utiliser ML Flow pour le tracking des expériences, le versionnage des modèles et la gestion des artefacts ML. Mettre en place des stratégies de rollback et de monitoring des modèles en production. Domino Data Lab : Participer à la configuration et à l?optimisation des workflows sous Domino Data Lab (en fonction des projets et des besoins du client).   Compétences Techniques Requises : DevOps / CI/CD : GitLab, GitLab-CI, Docker, services cloud (AWS, Azure, GCP). Qualité du code : Ruff, Black, MyPy, SonarQube. Langages : Python, Bash scripting. Data Science / ML : Concepts de base en ML, Deep Learning, NLP, LLM. Gestion du cycle de vie ML : Data preprocessing, feature engineering, monitoring des modèles. Versionning des modèles : ML Flow. Optionnel : Domino Data Lab