Notre client, acteur international majeur du commerce omnicanal, place la Data et l’Intelligence Artificielle au cœur de sa stratégie technologique.
Vous rejoindrez une équipe pluridisciplinaire d’une dizaine de spécialistes : Data Scientists, ML Engineers, Data Analysts et Analytics Engineers. Ensemble, ils développent des plateformes Data et ML scalables destinées à améliorer l’expérience client et à sécuriser les opérations, notamment autour de la modération automatisée de contenus et de la lutte contre la fraude.
Dans un environnement international, collaboratif et orienté expérimentation, nous recherchons un Machine Learning Engineer / MLOps Senior capable de devenir un référent technique sur l’industrialisation des produits Data, l’IA générative et les systèmes agentiques.

Vos missions

Architecture et robustesse MLOps

• Concevoir et maintenir des architectures de production hautement disponibles et scalables.
• Industrialiser le cycle de vie complet des modèles de Machine Learning classiques et génératifs.
• Définir des architectures simples, modulaires et maintenables, en évitant l’over-engineering.
• Concevoir des API et des services ML adaptés à des environnements distribués.

IA générative et systèmes agentiques

• Participer à la conception de systèmes autonomes et multi-agents.
• Intégrer des modèles génératifs et des agents dans des produits Data existants.
• Mettre en œuvre l’interopérabilité des services à travers des protocoles tels que le Model Context Protocol (MCP).
• Évaluer et intégrer des frameworks d’orchestration et de développement agentique, notamment Google ADK ou des solutions équivalentes.
• Construire des architectures RAG et exploiter des bases de données vectorielles.

Industrialisation et automatisation

• Automatiser l’entraînement, l’évaluation, la validation et le déploiement des modèles.
• Concevoir des pipelines Data, ML et agentiques fiables, reproductibles et sécurisés.
• Mettre en place et faire évoluer les workflows CI/CD.
• Déployer les services au sein d’environnements conteneurisés et orchestrés.

Observabilité et maîtrise des performances

• Mettre en place le monitoring des modèles et des pipelines en production.
• Détecter les dérives de données et de performance.
• Évaluer la pertinence des réponses produites par les modèles génératifs.
• Définir des mécanismes de guardrails et de contrôle.
• Suivre les performances ainsi que les coûts d’infrastructure et d’utilisation des modèles.

Leadership technique

• Porter les bonnes pratiques d’ingénierie logicielle : clean code, tests, modularité et documentation.
• Accompagner et mentoriser les profils moins expérimentés.
• Participer aux choix d’architecture et aux décisions technologiques.
• Favoriser des solutions pragmatiques, orientées valeur et adaptées aux besoins métier.
• Encourager le partage de connaissances et l’amélioration continue au sein de l’équipe.

Votre profil

• Diplôme de niveau Master ou diplôme d’ingénieur en informatique, Data Science, Machine Learning ou domaine équivalent.
• Solide expérience professionnelle en tant que ML Engineer ou MLOps Engineer.
• Expérience de la mise en production de modèles ML à grande échelle.
• Excellente maîtrise de Python et des pratiques d’ingénierie logicielle appliquées au Machine Learning.
• Expertise de Kubernetes, Docker, MLflow et des pipelines CI/CD.
• Bonne connaissance des environnements cloud AWS et/ou Google Cloud Platform.
• Expérience des architectures distribuées, des API et de la conteneurisation.
• Maîtrise des problématiques de scalabilité, de résilience et d’observabilité.
• Bonne compréhension de PyTorch et des bases de données vectorielles.
• Solide culture de l’IA générative, du LLMOps, du RAG et des systèmes agentiques.
• Connaissance de Google ADK, de MCP ou de technologies comparables.
• Capacité à évaluer rapidement de nouveaux frameworks et à faire des choix techniques argumentés.
• Leadership naturel, autonomie, esprit critique et sens du collectif.

Environnement technique

• Langage : Python
• Machine Learning : PyTorch, MLflow
• IA générative : LLMOps, RAG, agents et systèmes multi-agents
• Frameworks et protocoles : Google ADK, MCP, outils d’orchestration agentique
• Données : bases de données vectorielles
• Cloud : AWS, Google Cloud Platform
• Infrastructure : Kubernetes, Docker
• Industrialisation : CI/CD, automatisation des entraînements, évaluations et déploiements
• Observabilité : data drift, qualité des réponses, guardrails, performances et suivi des coûts