AI Engineer — MLOps & Industrialisation | Paris

Mp Data; Boulogne-Billancourt; On-site; EUR 55,000 - 90,000; Full time

Job summary

Mp Data recherche un ingénieur IA/MLOps pour industrialiser les modèles et les déployer en production dans des environnements industriels (on‑premise, cloud hybride). Vous travaillerez avec des Data Scientists et Data Engineers pour délivrer des solutions scalables répondant à des problématiques réelles.

Les missions couvrent l’Industrialisation & MLOps, l’Architecture IA, la Delivery & qualité, la Veille et la montée en compétences des juniors.

Qualifications

• Diplôme d’ingénieur ou Master en informatique, data science ou domaine connexe (Bac+5).
• 2 à 4 ans d’expérience sur des missions d’AI Engineering ou MLOps.
• Maîtrise de Python et des frameworks ML/IA (scikit-learn, PyTorch, TensorFlow ou équivalent).
• Expérience solide sur les outils MLOps : MLflow, Kubeflow, Airflow, DVC ou équivalents.

Responsibilities

• Concevoir des pipelines MLOps pour le déploiement et le monitoring de modèles.
• Intégrer les solutions IA dans les SI clients (APIs, microservices, orchestration).
• Travailler en mode agile sur des forfaits et régies avec des objectifs clairs.
• Participer aux revues de code et contribuer à la montée en compétences des profils juniors.

Skills

Python

ML frameworks

Agile

Quality code

Autonomie

Education

Bac+5 ingénieur/ Master informatique

Tools

MLflow

Kubeflow

Airflow

DVC

GitHub Actions

GitLab CI

Docker

Kubernetes

Job description

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 missions

Industrialisation & MLOps

• Concevoir des pipelines MLOps pour le déploiement et le monitoring de modèles
• Implémenter les infrastructures CI/CD adaptées aux projets IA
• Garantir la reproductibilité, la scalabilité et la maintenabilité des solutions

Architecture & développement IA

• Cadrage technique : choix d’architecture, frameworks & dimensionnement infra
• Solutions robustes et documentées — du POC à la mise en production industrielle
• Intégrer les solutions IA dans les SI clients (APIs, microservices, orchestration)

Delivery & qualité

• Travailler en mode agile sur des forfaits & régies avec des objectifs clairs
• Être garant(e) de la qualité technique des livrables selon les standards MP Data
• Participer aux revues de code et contribuer à la montée en compétences des profils juniors

Veille & innovation

• Suivre 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 IA

Formation & expérience

Diplôme 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 indispensables

• Maîtrise de Python et des frameworks ML/IA (scikit-learn, PyTorch, TensorFlow ou équivalent)
• Expérience solide sur les outils MLOps : MLflow, Kubeflow, Airflow, DVC ou équivalents
• Connaissance 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 appréciées

• Expérience 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‑être

• Rigueur sur la qualité du code et des livrables
• Capacité à tenir engagement sur le résultat
• Pédagogie face à des interlocuteurs non techniques
• Autonomie et sens des responsabilités dans la gestion de ton périmètre