Faire tourner un modèle en local, c'est bien. Le faire tenir en prod avec un déploiement à l'échelle, c'est mieux.Tes projets couvrent l'ensemble du cycle de vie des solutions IA : du cadrage technique jusqu'à la mise en production et le passage à l'échelle, dans des environnements industriels souvent contraints (on-premise, cloud hybride, données sensibles, systèmes legacy).Tu travailleras en binôme avec des Data Scientists et des Data Engineers, pour délivrer des solutions scalable qui répondent à des problématiques concrètes.Tes missionsIndustrialisation & MLOpsConcevoir des pipelines MLOps pour le déploiement et le monitoring de modèlesImplémenter les infrastructures CI/CD adaptées aux projets IAGarantir la reproductibilité, la scalabilité et la maintenabilité des solutionsArchitecture & développement IACadrage technique : choix d'architecture, frameworks & dimensionnement infraSolutions robustes et documentées — du POC à la mise en production industrielleIntégrer les solutions IA dans les SI clients (APIs, microservices, orchestration)Delivery & qualitéTravailler en mode agile sur des forfaits & régies avec des objectifs clairsÊtre garant(e) de la qualité technique des livrables selon les standards MP DataParticiper aux revues de code et contribuer à la montée en compétences des profils juniorsVeille & innovationSuivre les évolutions des outils MLOps (Kubeflow, MLflow, Airflow, BentoML, Seldon…) et des plateformes cloud (Azure, AWS, GCP)Contribuer au Lab Innovation MP Data : benchmark, POC, tests de nouvelles approches d'industrialisation IAFormation & expérienceDiplôme d'ingénieur ou Master en informatique, data science ou domaine connexe (Bac+5) d'une école du top 10.2 à 4 ans d'expérience sur des missions d'AI Engineering ou MLOps,Compétences techniques indispensablesMaîtrise de Python et des frameworks ML/IA (scikit-learn, PyTorch, TensorFlow ou équivalent)Expérience solide sur les outils MLOps : MLflow, Kubeflow, Airflow, DVC ou équivalentsConnaissance du cloud (Azure AI Foundry, AWS SageMaker ou GCP Vertex AI)Pratique des outils CI/CD (GitHub Actions, GitLab CI, Docker, Kubernetes)Déploiement de modèles en production (APIs REST, monitoring, versioning)Compétences techniques appréciéesExpérience avec les LLMs et RAG (LangChain, LlamaIndex…)Connaissance des environnements industriels (données de capteurs, SCADA, contraintes on-premise)Pratique de l'Infrastructure as Code (Terraform, Pulumi)Savoir-êtreRigueur sur la qualité du code et des livrablesCapacité à tenir engagement sur le résultatPédagogie face à des interlocuteurs non techniquesAutonomie et sens des responsabilités dans la gestion de ton périmètre Un premier call de qualificationTest techniqueEntretien technique avec un Lead Engineer ou Architecte MP DataEntretien final

Sourced from LinkedIn. Relocantly aggregates public job postings; apply on the original site.

AI Engineer — MLOps & Industrialisation | Paris