Data Engineer / ML Engineer – Python, GCP & MLOps (H/F) (IT) / Freelance

Esenca; Lille; On-site; EUR 60,000 - 90,000; Full time

Job summary

Esenca recherche un consultant Data / ML Engineer pour renforcer ses équipes autour de projets Data Science et ML, incluant personnalisation et recommandations, dans un environnement Cloud.

Intégré à une équipe pluridisciplinaire, vous participerez à la conception, l’industrialisation et l’amélioration continue des solutions Data & ML déployées sur GCP, avec un focus sur la qualité des données et l’observabilité.

Qualifications

• Expérience en ingénierie Data et ML dans des environnements Cloud
• Connaissance pratique de pipelines de données, de la Data quality et du monitoring
• Maîtrise des pratiques DataOps/MLOps et des architectures ML sur GCP

Responsibilities

• Concevoir et développer des pipelines de données complets : ingestion, transformation et mise à disposition des données.
• Développer et industrialiser des pipelines ML, du dataset à l’inférence.
• Mettre en production des modèles Deep Learning et des embeddings.
• Mettre en place le contrôle qualité des données, les tests et l’observabilité.
• Contribuer aux architectures Data et ML sur Google Cloud Platform (GCP).
• Améliorer performances, scalabilité et fiabilité des traitements.
• Maintenir en conditions opérationnelles les pipelines et résoudre les incidents.
• Évoluer DataOps et MLOps, orchestration des workflows.
• Collaborer avec les équipes techniques et métiers et documenter les bonnes pratiques.

Skills

Python

BigQuery

dbt

Kafka

Data modeling

Terraform

Tools

Elementary

ZenML

Docker

Kubernetes

Git

GCP

Job description

Contexte de la mission

Dans le cadre du développement et de l'évolution de sa plateforme Data & IA, notre client recherche un consultant Data / ML Engineer pour renforcer ses équipes techniques.

Vous interviendrez sur des projets à forte dimension Data Science et Machine Learning, notamment autour de solutions de personnalisation, de recommandation et d'exploitation intelligente des données.

Intégré à une équipe pluridisciplinaire composée de développeurs, Data Engineers, Data Scientists et experts techniques, vous contribuerez à la conception, à l'industrialisation et à l'amélioration continue des solutions Data & ML déployées dans un environnement Cloud.

Vos principales missions

• Concevoir et développer des pipelines de données complets : ingestion, transformation, structuration et mise à disposition des données.

• Développer et industrialiser des pipelines Machine Learning, de la préparation des datasets jusqu'au déploiement et à l'inférence des modèles.

• Participer à la mise en production de modèles de Deep Learning et de solutions reposant sur des architectures d'embeddings.

• Mettre en place des mécanismes de contrôle de la qualité des données, de tests, de suivi et d'observabilité.

• Contribuer à la conception et à l'évolution des architectures Data et ML sur Google Cloud Platform.

• Participer à l'amélioration des performances, de la scalabilité et de la fiabilité des traitements existants.

• Intervenir sur le maintien en conditions opérationnelles des pipelines et services, ainsi que sur la résolution des incidents.

• Participer à l'évolution des pratiques DataOps et MLOps, notamment sur l'orchestration et l'automatisation des workflows.

• Collaborer avec les différentes équipes techniques et métiers afin de proposer des solutions adaptées aux besoins fonctionnels.

• Contribuer à la documentation, aux revues de code et à la diffusion des bonnes pratiques d'ingénierie.

Compétences techniques recherchées

Data Engineering

• Python

• BigQuery

• dbt et outils de tests de qualité des données (Elementary ou équivalent)

• Apache Kafka et architectures de streaming

• Data modeling et conception de pipelines de données

• Terraform

Machine Learning & MLOps

• Bonne maîtrise de Python appliqué au Machine Learning

• Connaissance des modèles de Deep Learning et des architectures basées sur les embeddings

• Conception de pipelines ML : entraînement, évaluation, déploiement et inférence

• Industrialisation de modèles pour une utilisation en temps réel

• Outils d'orchestration et de MLOps (ZenML ou équivalent)

• Docker et Kubernetes

• Git

Cloud & Infrastructure

• Google Cloud Platform (GCP)

• Compréhension des architectures distribuées et des environnements Cloud natifs

• Automatisation et industrialisation des déploiements