Descriptif du poste:\nSalaire: 45 000 € - 55 000 € par an \nTu es passionné(e) par le Machine Learning, le Cloud et l'industrialisation des modèles ? Tu aimes transformer des prototypes Data Science en solutions robustes, scalables et prêtes pour la production ?\nTu souhaites intervenir sur des problématiques techniques variées, au croisement du Machine Learning, du Software Engineering, du Cloud et de la Data ?\nRejoins notre Guild Data Discoverii et accompagne nos clients dans la conception et l'industrialisation de plateformes MLOps modernes.\nMissions \n* \nIndustrialiser les modèles Machine Learning : automatiser les différentes étapes du cycle de vie des modèles, de l'entraînement à la mise en production. \n* \nConcevoir des pipelines MLOps : mettre en place des workflows fiables pour l'entraînement, la validation, l'évaluation et le déploiement des modèles. \n* \nAutomatiser les déploiements : concevoir et maintenir des pipelines CI/CD/CT permettant de déployer les modèles et leurs évolutions de manière fiable et reproductible. \n* \nConstruire les infrastructures ML : concevoir et administrer des environnements Cloud adaptés aux besoins d'entraînement et d'inférence. \n* \nOrchestrer les workloads ML : déployer et maintenir des environnements conteneurisés avec Docker et Kubernetes, y compris pour des workloads nécessitant des ressources GPU. \n* \nGérer le cycle de vie des modèles : mettre en place et administrer des solutions de tracking, de versioning et de Model Registry avec notamment MLflow. \n* \nAutomatiser l'infrastructure : déployer et faire évoluer les environnements Cloud grâce à Terraform et aux pratiques d'Infrastructure as Code. \n* \nIntégrer les environnements Data : travailler avec Databricks, Spark / PySpark et Airflow pour construire des pipelines Data & ML robustes. \n* \nMettre en place l'observabilité : suivre la qualité des données, les performances des modèles et détecter les éventuelles dérives en production. \n* \nDévelopper et industrialiser les APIs : exposer les modèles et services Machine Learning dans des environnements de production. \n* \nAccompagner les équipes Data : collaborer avec les Data Scientists et ML Engineers pour faciliter l'industrialisation de leurs modèles et promouvoir les bonnes pratiques MLOps. \n* \nGarantir la qualité et la sécurité : appliquer les bonnes pratiques de Software Engineering, de CI/CD, de tests,\n\nProfil recherché:\n\nEn 1er, un savoir-être en phase avec notre culture : \n* \nTu es autonome et capable de prendre en charge des sujets de bout en bout. \n* \nTu es pragmatique et tu sais concevoir des solutions simples, robustes et maintenables. \n* \nTu sais prendre du recul et challenger les choix techniques. \n* \nTu apprécies travailler avec des profils Data, Tech et métier. \n* \nTu communiques avec clarté et sais vulgariser des problématiques techniques complexes. \n* \nTu es curieux(se) et tu effectues une veille régulière sur les technologies MLOps, Cloud et Machine Learning. \n* \nTu apprécies le partage de connaissances et le travail en équipe. \nEn 2nd, un bagage technique solide : \n* \nUne expérience de minimum 3 ans en MLOps, ML Engineering, DevOps ou Platform Engineering appliqué au Machine Learning, hors stages et alternances. \n* \nUne bonne maîtrise du cycle de vie complet des modèles Machine Learning, de l'expérimentation jusqu'à la production. \n* \nUne très bonne maîtrise de Python et de son écosystème. \n* \nUne expérience significative avec Kubernetes et Docker. \n* \nUne bonne maîtrise des environnements Cloud, notamment AWS et GCP. \n* \nUne expérience avec MLflow, Model Registry et les outils de gestion du cycle de vie des modèles. \n* \nUne bonne maîtrise des pratiques CI/CD, de Git et de GitHub Actions. \n* \nUne expérience avec Terraform et l'Infrastructure as Code. \n* \nUne bonne connaissance de Databricks, Spark / PySpark et Airflow. \n* \nUne expérience dans l'industrialisation et le déploiement de modèles ML en production. \n* \nUne bonne compréhension des architectures distribuées et des problématiques de scalabilité. \nLes petits plus qui feront la différence : \n* \nUne expérience avec des environnements GPU et des clusters auto-scalables. \n* \nUne maîtrise de PyTorch ou TensorFlow. \n* \nUne expérience avec un Feature Store. \n* \nUne connaissance des Vector Databases. \n* \nUne expérience sur des problématiques LLM, IA générative ou RAG. \n* \nUne