Objectif Votre objectif principal sera d'améliorer et de faire évoluer les solutions de machine learning, de l?ingénierie des données jusqu?à la mise en production et la surveillance des modèles. Vous participerez activement à l'industrialisation des projets IA, garantissant la robustesse et la scalabilité des infrastructures MLOps déployées. Responsabilité Optimiser les solutions de machine learning end-to-end : préparation des données, ingénierie des features, entraînement, évaluation et déploiement des modèles. Améliorer et créer des templates pour augmenter la scalabilité des cas d?usage IA. Transformer des notebooks en scripts de haute qualité pour les pipelines ML. Concevoir des pipelines ML performants et les optimiser pour faciliter le développement et le déploiement des modèles. Mettre en place une infrastructure MLOps fiable pour la gestion des versions des modèles, leur surveillance et le déploiement automatique. Codifier les meilleures pratiques pour surveiller la performance des modèles, détecter les dérives, et mettre en place des mécanismes de réentraînement. Créer et maintenir des pipelines CI/CD pour garantir la qualité et la répétabilité des livraisons. Implémenter des tests pour les données, les modèles et le code. Se tenir informé des dernières avancées en MLOps et LLMOps pour améliorer les capacités de l?équipe. Assurer un rôle de mentor auprès des équipes de data science des différentes entités. Compétences requises Solide expérience en machine learning et MLOps, notamment en conception de pipelines de production. Maîtrise des outils de versioning de modèles et de monitoring. Expertise dans la création et l?optimisation d?infrastructures MLOps scalables. Connaissance des pipelines CI/CD et de leur implémentation dans des environnements de production. Bonne capacité à refactoriser du code et à transformer des notebooks en scripts robustes. Sens du mentorat et de l?accompagnement technique. Livrables attendus Pipelines ML optimisés et fiables pour les projets IA. Infrastructure MLOps robuste et scalée, avec une surveillance continue des modèles en production. Documentation claire des bonnes pratiques MLOps, partagée avec la communauté interne. Contribution aux projets IA stratégiques en termes de proof of concept, de value, et de pilotes.