Calibration data infrastructure engineer

- Concevoir et implémenter des systèmes robustes de stockage et de restitution des données de calibration, logs d'erreurs et métriques de performance. - Développer des pipelines permettant de collecter, normaliser et indexer automatiquement les sorties de calibration pour faciliter les requêtes et les analyses globales. - Construire des outils et des APIs permettant aux scientifiques et ingénieurs de répondre rapidement à des questions opérationnelles (taux de succès, points de défaillance, dérives temporelles). - Mettre en place des frameworks d'analyse de séries temporelles afin de suivre la dynamique des calibrations, détecter les anomalies et générer des rapports. - Définir des standards pour les schémas de données, la traçabilité, la rétention et la reproductibilité des résultats de calibration. - Apporter de la visibilité via des rapports automatisés sur les performances de calibration, la fiabilité matérielle et la qualité des analyses. - Accompagner les ingénieurs et contribuer à la stratégie long terme de l'infrastructure de données de calibration. Profil : - Minimum 5 ans d'expérience en ingénierie back-end, infrastructure data ou DevOps sur des systèmes en production. - Excellente maîtrise de Python et expérience avec des frameworks de data engineering (Pandas, SQLAlchemy, Spark ou équivalents). - Expertise sur les bases de données de séries temporelles (TimescaleDB, InfluxDB, Prometheus) et les systèmes d'agrégation de logs (ELK, Grafana ou équivalents). - Expérience avérée dans la conception de pipelines de données scalables et d'APIs pour des données scientifiques ou liées à du matériel. - Bonne connaissance des stacks d'observabilité (métriques, logs, traces) et de la création de dashboards pour des utilisateurs techniques. - Familiarité avec l'analyse statistique et la détection d'anomalies, avec une capacité à collaborer avec des scientifiques sur l'intégration de modèles. - Solide compréhension des environnements CI/CD, des stratégies de test et de la reproductibilité dans des contextes scientifiques ou hardware-in-the-loop. - Excellentes compétences en communication et capacité à traduire des besoins opérationnels en solutions techniques.