Nous recherchons un(e) MLOps Engineer curieux-se et passionné(e) par l'application de la Data Science à des challenges industriels. Diplôme Bac+5 ou ingénieur en mathématiques appliquées, informatique, data science ou disciplines proches. Au moins 4 ans d'expérience dans l'industrialisation et la mise en production de modèles de Machine Learning.


Compétences techniques :
- Expérience avérée dans le déploiement et l'exploitation de modèles ML en production.
- Excellente maîtrise de Python et des frameworks ML : scikit-learn et PyTorch en priorité
- Expérience pratique avec des outils MLOps (MLflow, Kubeflow, SageMaker, Vertex AI ou équivalents).
- Solide expertise en conteneurisation et orchestration (Docker, Kubernetes).
- Expérience dans la mise en place de pipelines CI/CD (GitLab CI, GitHub Actions, Jenkins, etc.).
- Bonne connaissance de AWS
- Bonnes bases en génie logiciel et maîtrise des outils de gestion de versions (Git).

Aptitudes personnelles :
- Curiosité & appétence pour découvrir les métiers : passion à comprendre les domaines complexes, les processus industriels, les contraintes métier. Capacité à apprendre vite et à poser les bonnes questions
- Goût pour le partage de connaissances : passion pour démystifier la complexité et la rendre accessible
- Capacité à former et accompagner : pédagogie et bienveillance envers les autres équipes
- Esprit multidisciplinaire : aisance à discuter avec des experts métiers, des ingénieurs domaine et des développeurs
- Rigueur technique et créativité pour innover dans un domaine en rapide évolution, tout en respectant les contraintes de haute technicité

Atouts supplémentaires appréciés :
- Expérience en open source : contribution, maintenance ou leadership de projets
- Expérience dans les secteurs aéronautique, défense, automobile ou autres environnements critiques.
- Maîtrise des patterns d'architecture pour systèmes distribués et scalables
- Connaissances en data engineering (pipelines de données, feature stores).
- Expérience du déploiement edge ou de systèmes ML temps réel.
- Expérience avec des LLMs en production (coûts, latence, fiabilité, sécurité, observabilité)