? ContexteDans le cadre du développement d?une plateforme Data & IA à l?échelle internationale, un acteur majeur renforce ses équipes afin de structurer et industrialiser ses pratiques MLOps. L?objectif est de faciliter le déploiement, l?exploitation et la scalabilité des modèles de machine learning, tout en garantissant leur intégration fluide au sein des produits digitaux. Vous interviendrez dans un environnement moderne, orienté cloud, automatisation et intelligence artificielle, incluant des cas d?usage avancés autour de l?IA générative. ? MissionEn tant que Machine Learning Engineer, vous accompagnez la mise en ?uvre et la montée en maturité des pratiques MLOps, depuis la conception jusqu?à la mise en production des modèles. Vous intervenez sur l?ensemble du cycle de vie des applications ML, avec une forte dimension industrialisation, automatisation et performance. ? Responsabilités principales1. Déploiement et exploitation des modèles MLMettre en production des modèles de machine learning Assurer leur disponibilité, leur performance et leur fiabilité Intégrer les solutions ML dans les produits digitaux 2. Data engineering & pipelinesCollecter, nettoyer et structurer les données Concevoir et orchestrer des pipelines de données Garantir la qualité et la gouvernance des données 3. MLOps & automatisationMettre en place des pipelines CI/CD pour les modèles ML Automatiser les déploiements et les mises à jour Industrialiser les processus de développement et d?exploitation 4. Monitoring & performanceDévelopper des outils de monitoring des modèles (performance, dérive, disponibilité) Mettre en place des indicateurs de suivi Assurer la robustesse et la résilience des solutions 5. Contribution technique & innovationParticiper aux choix techniques et d?architecture Contribuer à l?adoption de pratiques avancées (MLOps, LLMOps) Être force de proposition sur les évolutions technologiques ? Livrables attendusPipelines de données et de déploiement industrialisés Modèles ML déployés en production Outils de monitoring et de supervision Documentation technique Amélioration continue des pratiques MLOps ? ModalitésDémarrage : ASAP Rythme : temps plein Organisation : agile ? ObjectifIndustrialiser et faire évoluer les pratiques MLOps afin de garantir des solutions ML robustes, scalables et intégrées, au service des produits digitaux et des usages métiers.