Ingénieur ML Ops & Data H/F

Nous recherchons, pour l'un de nos Clients basés sur Monaco, un Ingénieur ML Ops & Data H/F.

Notre Client recherche un Ingénieur Machine Learning Ops & Data qui sera le pont entre l’équipe Data au sens large (Data Engineer, Data Scientist, Ingénieur IA) et l’équipe Opérations / DevOps. L’équipe étant resserrée et Agile, l’objectif sera d’industrialiser les projets de Machine Learning, et Datascience (Aspect ML Ops), mais également d’intervenir sur la conception et la maintenance de pipelines de données (Aspect Data Engineering).

Missions principales :

• Préparation et structuration des données : explorer, nettoyer, qualifier et structurer des données

• Automatiser les flux de travail de la donnée (Data Pipelines Airflow)

• Orchestration et qualité : Automatiser les workflows et surveiller la qualité des données

• Participer à la conception et au développement de modèles : en lien avec les Datascientists, participer à l'élaboration et au développement de modèles statistiques et des algorithmes de Machine Learning répondant aux problématiques analytiques identifiées

• Gérer le cycle complet de la donnée entre les différents clusters et environnements

Profil recherché

• Être titulaire d’un diplôme national sanctionnant cinq années d’études supérieures ou d’un diplôme reconnu équivalent par une autorité compétente dans le pays d’obtention, dans les domaines de l’informatique, de la data, des mathématiques, des systèmes d’information ou de l’ingénierie logicielle

• Expérience souhaitée : 0 à 3 ans à partir du dernier diplôme (Master ou Doctorat)

• Maîtriser la langue française (lu, écrit, parlé) ;

• Faire preuve de rigueur scientifique, d’autonomie, de curiosité technologique et d’un sens affirmé de l’innovation

• Posséder de compétences en modélisation (mathématique ou physique) et analyse de données : méthodes statistiques, machine learning supervisé et non supervisé, séries temporelles, évaluation des modèles, modélisations paramétriques et simulations

• Maîtriser Python et ses principales bibliothèques : numpy, pandas, scikit-learn, xgboost, PyTorch ou TensorFlow

• Exploiter les outils de collecte et de traitement distribué pour être autonome: Airflow, Spark, Polars, DuckDB, Trino et de requêtage de base de données (SQL)

• Concevoir des visualisations et analyses exploratoires pertinentes

• Faire preuve de rigueur scientifique et de précision dans l’analyse et l’interprétation des résultats

• Disposer de bonnes capacités d’analyse, de synthèse et de résolution de problèmes

• Faire preuve d’esprit critique et de curiosité scientifique

• Être autonome, organisé et capable de prendre des initiatives

• Posséder de bonnes capacités de communication orale et écrite

• Savoir présenter des résultats techniques de manière claire et pédagogique

• Avoir le sens du travail en équipe et de la collaboration

• Faire preuve de méthode, de persévérance et d’adaptabilité

• Savoir organiser son temps de travail et prioriser les activités en fonction des objectifs du projet