Data Engineer - Internalisation possible

Tâches  

En collaboration avec les équipes Manufacturing 4.0, IT, vous assurez les tâches suivantes : 

• Explorer, analyser et préparer les données issues des systèmes industriels (machines, capteurs, MES, inspection qualité, etc.) ; 

• Concevoir, entraîner et évaluer des modèles de Machine Learning et/ou de Computer Vision adaptés aux contraintes industrielles ; 

• Mettre en œuvre des pipelines MLOps end-to-end (entraînement, validation, déploiement, monitoring) ; 

• Déployer les modèles en production sur une architecture hybride on-prem / cloud, en s’appuyant sur des containers et AWS SageMaker ; 

• Assurer le suivi des performances des modèles en production (qualité, dérive, robustesse) et proposer des améliorations continues ; 

• Collaborer avec les équipes IT pour l’intégration des modèles dans les systèmes existants et la chaîne CI/CD  

• Documenter les solutions développées et partager les bonnes pratiques au sein de l’équipe. 

• Challenges  

• Être un acteur clé de la transformation Manufacturing 4.0 par la donnée et l’intelligence artificielle ; 

• Déployer des modèles IA robustes, fiables et maintenables dans un environnement industriel exigeant ; 

• Concilier innovation technologique, contraintes industrielles et exigences de mise en production ; 

• Faire preuve d’autonomie, de pro-activité et d’esprit critique constructif ; 

• Être force de proposition pour améliorer les pratiques Data Science et MLOps du programme ; 

• Partager les bonnes pratiques de MLOps avec le reste des data scientists de l’équipe. 

Profil recherché

Profil recherché 

• De formation ingénieur (informatique, data, IA, mathématiques appliquées) ou équivalent, vous disposez d’une expérience confirmée (minimum 5 ans) en tant que Data Scientist / Machine Learning Engineer, avec une exposition significative à des projets industriels ou à fort enjeu de production ; 

• Vous avez conçu, entraîné, validé et déployé des modèles de Machine Learning (prédictifs et/ou Computer Vision) en environnement de production, et assuré leur suivi dans le temps ; 

• Vous maîtrisez les bonnes pratiques MLOps : versioning des données et des modèles, automatisation des pipelines, CI/CD, monitoring des performances et gestion du cycle de vie des modèles ; 

• Vous êtes à l’aise dans des architectures hybrides combinant on-premise et cloud public, et avez déjà travaillé avec AWS, en particulier AWS SageMaker pour l’entraînement et le déploiement de modèles ; 

• Vous savez collaborer avec des équipes pluridisciplinaires (IT, data, métiers industriels) et êtes capable de traduire des problématiques métier complexes en solutions data robustes ; 

• Une connaissance du monde industriel / manufacturing (OT) et des données issues de capteurs, machines ou systèmes MES est un atout apprécié ; 

• Vous possédez un bon relationnel, appréciez le travail en équipe tout en faisant preuve d’autonomie, de rigueur et d’esprit d’initiative. 

Connaissances requises 

• Machine Learning supervisé et non supervisé (régression, classification, détection d’anomalies, séries temporelles) ; 

• Expérience pratique en Computer Vision (traitement d’images, CNN, modèles deep learning) ou modèles prédictifs industriels ; 

• Langages et frameworks : Python, Pandas, NumPy, Scikit-learn, PyTorch et/ou TensorFlow ; 

• Mise en production de modèles IA (API, batch, streaming) ; 

• MLOps : 

• pipelines d’entraînement et d’inférence, 

• versioning (code, données, modèles), 

• monitoring des performances et de la dérive des données/modèles ; 

• Architectures à base de containers (Docker / Podman) ; 

• Orchestration de containers : Kubernetes / OpenShift ; 

• Environnements cloud publics, en particulier AWS (S3, SageMaker, IAM, ECR, CloudWatch) ; 

• Bonnes pratiques de développement logiciel (Git, tests, CI/CD). 

Connaissances appréciées en plus 

• Expérience en environnement industriel (Manufacturing, MES, Qualité, Maintenance prédictive) ; 

• Architectures data industrielles : Data Lakes, streaming temps réel ; 

• Expérience sur Snowflake (entreposage de données, data sharing, tâches/streams, optimisation coûts/perf) ; 

• Expérience sur Dataiku; 

• Message brokers : Kafka, MQTT ; 

• Outils de monitoring et d’observabilité : Prometheus, Grafana, CloudWatch ; 

• Gestion de données volumineuses ou hétérogènes issues de capteurs industriels (time series) ; 

• Notions de cybersécurité appliquées aux environnements industriels et cloud.