En tant qu?ingénieur ML au sein de l?équipe ML Platform, vous mettrez à profit votre solide expérience en industrialisation, votre maîtrise de Python et votre expérience pratique de l?entraînement de modèles pour faciliter le travail quotidien de l?équipe ML Lab sur (leur neocloud de référence), ainsi que l?intégration avec les outils MLOps principalement basés sur AWS, en collaboration étroite avec un DevOps dédié. Responsabilités principales Permettre une expérimentation rapide : développer et maintenir des outils permettant aux chercheurs d?itérer rapidement sur de nouvelles approches ML Gérer des expériences de recherche à grande échelle : concevoir et superviser des entraînements de modèles à grande échelle sur l?infrastructure, en assurant le suivi des expériences et leur reproductibilité Faciliter les collaborations externes : permettre une collaboration sécurisée avec des partenaires académiques et l?accès à des ressources open source de pointe tout en respectant les contraintes de sécurité Optimisation des performances et des ressources : analyser et optimiser les pipelines d?entraînement, gérer efficacement les ressources GPU Développement d?outils de recherche : créer des bibliothèques et utilitaires spécifiques aux domaines de recherche du laboratoire (nouvelles architectures, techniques d?entraînement, frameworks d?évaluation) Transfert de connaissances inter-équipes : partager les enseignements issus de la recherche expérimentale avec l?équipe ML Platform et les chercheurs groupe Profil candidat: Excellentes compétences en Python avec un accent sur la qualité du code de recherche Expérience pratique avec des frameworks ML modernes (PyTorch, JAX ou équivalent) et bases solides en deep learning Expérience dans la mise en place et la gestion d?expériences d?entraînement à grande échelle (entraînement distribué, suivi d?expériences, gestion des hyperparamètres) Maîtrise des environnements GPU/CUDA et techniques d?optimisation Aisance avec les systèmes Linux/UNIX et la ligne de commande Maîtrise du versioning (Git) et des workflows collaboratifs Expérience en conteneurisation (Docker) pour des environnements reproductibles Familiarité avec les environnements cloud (idéalement AWS) pour la gestion des ressources