Ingénieur mlops h/f

Infotel Conseil accompagne les directions Informatiques et Métiers des grandes entreprises depuis plus de 45 ans (Airbus, BNP Paribas, Banque de France, BPCE, Air France, Arkéa, Stellantis, etc.). C'est aujourd'hui plus de 3 100 Infotéliens qui ont rejoint le groupe en France (Paris, Toulouse, Lyon, Bordeaux, Lille, Rennes, Nantes, etc.) et à l'étranger (UK, Monaco, Allemagne, US, Canada, Inde, Maroc). Nous avons ainsi réalisé en 2024 un chiffre d'affaires de 294,8 M€.


Infotel Conseil, spécialiste des projets IT, intervient pour ses clients sur la gestion et l'évolution de leur patrimoine informatique. Retrouvez nos informations sur www.infotel.com.
Nous recherchons pour notre client un Ingénieur MLOps pour accompagner la mise en production et l'industrialisation de projets de Data Science et d'Intelligence Artificielle.
Vous assurerez la fiabilité, la performance et la scalabilité des modèles de Machine Learning en production.


Missions :

- Concevoir, automatiser et industrialiser les cas d'usage Data/IA, de la phase de prototypage jusqu'à la mise en production
- Construire et maintenir les pipelines de CI/CD/CT pour l'entraînement, le déploiement et la supervision des modèles
- Automatiser les data pipelines (Airflow) en lien avec les Data Engineers.
- Garantir la reproductibilité des entraînements (versioning des données, du code et des modèles)
- Conteneuriser et orchestrer les déploiements via Docker et Kubernetes.
- Mettre en œuvre des stratégies de Model Serving (API REST, gRPC, batch processing)
- Surveiller la santé des modèles en production et détecter les phénomènes de data drift ou model drift
- Assurer le cycle de vie complet des modèles : réentraînement, mise à jour et retrait.
- Développer des interfaces et outils pour faciliter l'accès et la valorisation des résultats


Profil :

- BAC+5 en informatique, data, systèmes d'information ou ingénierie logicielle
- Expérience 2 ans minimum en Data Engineering, ML Engineering ou Data Science
- Excellente maîtrise de Python et de ses bibliothèques principales : numpy, pandas, scikit-learn, PyTorch, TensorFlow, xgboost, lightgbm, statsmodels
- Solides bases en modélisation statistique, machine learning supervisé/non supervisé, séries temporelles et interprétabilité des modèles
- Aisance avec les outils de versionnement et collaboration (GitLab, GitHub, VSCode, Jupyter)
- Compétence sur les frameworks d'industrialisation et de traitement distribué : Spark, PySpark, DBT, Kafka, Trino, SQL
- Maîtrise des pratiques MLOps : conception de pipelines, automatisation, CI/CD, déploiement, monitoring de modèles (Airflow, MLflow, FastAPI, Docker, Kubernetes)
- Capacité à concevoir des visualisations pertinentes (matplotlib, seaborn, plotly, Tableau)
- Autonomie, rigueur scientifique, curiosité technique et goût pour l'innovation
- Excellent savoir être : intégrité et discrétion professionnelle, orientation qualité et amélioration continue
- Français courant obligatoire