Forward Deployed Engineer (Data oriented) | Deeptech | H/F (Paris or London)

URBAN LINKER; Paris; Hybride; EUR 80 000 - 100 000; Plein temps

Avantages offerts par ce poste

Télétravail 1-2 jours/semaine

Mutuelle

Congés payés & RTT

Résumé du poste

URBAN LINKER, startup deep-tech en amorçage, recherche un Forward Deployed Engineer pour déployer et industrialiser une infrastructure prédictive fondée sur des Foundation Models appliqués à des données tabulaires (finance, risque, opérations).

Vous serez le point de contact technique auprès des clients, cadrant le business, l’ingestion de données, le feature engineering et le déploiement en cloud/on‑premise/hybride, avec une forte autonomie.

Qualifications

• Expérience : 3 à 7 ans en ML Engineer, Data Scientist ou Consultant technique ML, avec au moins un projet ML tabulaire déployé en production.
• Maîtrise Python, pipelines tabulaires et ML classique (calibration, leakage, SHAP).
• Stack technique : SQL, Parquet, DuckDB, Docker, Kubernetes, cloud (AWS/GCP), scikit-learn, LightGBM/XGBoost, PyTorch/JAX.

Responsabilités

• Livraison de bout en bout : cadrage du business, métriques et mise en production.
• Intégration technique : adaptation des pipelines à la stack client (ingestion, feature engineering, API, infra).
• Évaluation rigoureuse : comparaison du foundation model via tests OOD et interprétabilité (SHAP).
• Monitoring & feedback loop : suivi du drift et transmissions des résultats à l'équipe.</li>
• Intervenir comme point de contact technique principal auprès des clients.
• Animer des ateliers techniques et documenter pour autonomie client.

Connaissances

Python

Data pipelines

ML engineering

SHAP

ML concepts

Outils

Docker

Kubernetes

DuckDB

Parquet

SQL

AWS

GCP

scikit-learn

LightGBM/XGBoost

PyTorch

Description du poste

Pour le compte d'une startup deep-tech en phase d'amorçage (4 M€ levés) qui redéfinit l'utilisation de l'IA prédictive en entreprise, nous recherchons leur futur(e) Forward Deployed Engineer. L'entreprise développe un agent de Data Science propulsé par des Foundation Models appliqués aux données structurées/tabulaires (finance, risque, opérations). Leur objectif : transformer des initiatives ML jusqu'ici cloisonnées en une infrastructure prédictive évolutive et pérenne.

Rôle & Responsabilités

1. Déploiement & Preuve de Valeur

• Livraison de bout en bout : cadrage du problème business, définition des métriques de succès et mise en production.
• Intégration technique : adaptation des pipelines à la stack du client (ingestion, feature engineering, connexions API, infrastructure cloud/on-premise/hybride).
• Évaluation rigoureuse : comparaison du foundation model aux modèles existants via des tests out-of-distribution (OOD), des analyses de calibration et d'interprétabilité (SHAP).
• Monitoring & Feedback loop : suivi du drift et des performances en production, puis transmission des résultats à l'équipe de recherche.
• Intervenir comme point de contact technique principal auprès des équipes clients (data scientists, quants, ingénieurs infra).
• Animer les ateliers techniques et structurer la documentation pour garantir l'autonomie du client post-déploiement.

Profil Recherché

• Expérience : 3 à 7 ans en tant que ML Engineer, Data Scientist ou Consultant technique ML, avec au moins un projet ML tabulaire déployé en production de bout en bout.
• Ingénierie & ML : excellente maîtrise de Python, des pipelines de données tabulaires (leakage, schéma, valeurs manquantes) et du ML classique (calibration, overfitting, SHAP).
• Stack technique : SQL, Parquet, DuckDB, Docker, Kubernetes, bases cloud (AWS/GCP), scikit-learn, LightGBM/XGBoost. PyTorch ou JAX est un plus.
• Posture client : capacité à cadrer les besoins, animer des échanges techniques et challenger les hypothèses des parties prenantes.
• Soft skills : forte autonomie, aisance dans l'ambiguïté propre aux startups early-stage.
• Langues : anglais fluide indispensable ; le français est un plus.

Les bonus :

• Expérience dans un secteur à forte intensité de données (Finance, Assurance, Énergie).
• Contributions open-source ou notions de MLOps (MLflow, monitoring).
• Rémunération : 80k€ - 100k€ selon profil et localisation (Paris ou Londres)
• Organisation : 1 à 2 jours de télétravail par semaine
• Avantages : mutuelle, congés payés & RTT (selon contrat français)
• Entretien de découverte (30 min).
• Entretien technique (1h30 - 2h) incluant un "Home Assignment" adapté à votre spécialité, suivi d'une restitution avec nos chercheurs.
• Rencontre informelle avec l'ensemble de l'équipe.