Ingénieur ML Platform Senior (IT) / Freelance

Onyx-Conseil; Paris; Sur place; EUR 65 000 - 95 000; Plein temps

Résumé du poste

Onyx-Conseil recherche un Ingénieur ML pour rejoindre l'équipe ML Platform à Paris. Vous mettrez en œuvre votre expérience en industrialisation, maîtriserez Python et l'entraînement de modèles afin d'accélérer les recherches et les déploiements.

Vous collaborerez avec le ML Lab et l'équipe DevOps, en utilisant AWS et des outils MLOps pour améliorer les pipelines d'entraînement, assurer la traçabilité des expériences et optimiser les ressources GPU.

Qualifications

• Solide expérience en industrialisation ML.
• Maîtrise de Python et pratique de l'entraînement de modèles.

Responsabilités

• Favoriser l'expérimentation rapide en créant et maintenant des outils pour l'itération ML.
• Gérer des expériences de recherche à grande échelle en concevant des cycles d'entraînement et en assurant la traçabilité.
• Faciliter la collaboration externe avec partenaires académiques et ressources open-source tout en respectant les protocoles de sécurité.
• Optimiser les performances et les ressources en profilant les pipelines et en gérant les GPU.
• Développer des bibliothèques et utilitaires spécifiques aux domaines du Lab.
• Transférer les enseignements de la recherche à l'équipe ML Platform et aux chercheurs.

Connaissances

Industrialisation

Python

Entraînement de modèles

Outils

AWS

Experiment tracking

Description du poste

En tant qu'Ingénieur ML au sein de l'équipe ML Platform, vous mettrez à profit votre solide expérience en industrialisation, votre maîtrise de Python et votre expertise pratique de l'entraînement de modèles.

Votre rôle sera de faciliter le travail quotidien du ML Lab sur (leur "neocloud" de choix) et d'assurer la liaison avec l'outillage MLOps (principalement sur AWS), en étroite collaboration avec un ingénieur DevOps dédié.

Responsabilités Clés

• Favoriser l'expérimentation rapide : Créer et maintenir les outils permettant aux chercheurs d'itérer rapidement sur de nouvelles approches ML.

• Gérer des expériences de recherche à grande échelle : Concevoir et superviser des cycles d'entraînement massifs sur l'infrastructure , en implémentant le suivi des expériences (experiment tracking) et la reproductibilité.

• Faciliter la collaboration externe : Permettre une collaboration sécurisée avec des partenaires académiques et l'accès aux ressources open-source tout en respectant les protocoles de sécurité.

• Optimisation des performances et des ressources : Profiler et optimiser les pipelines d'entraînement ; gérer efficacement les ressources GPU.

• Développement d'outils de recherche : Développer des bibliothèques et utilitaires spécifiques aux domaines du Lab (nouvelles architectures, techniques d'entraînement, frameworks d'évaluation).

• Transfert de connaissances : Partager les enseignements issus de la recherche expérimentale avec l'ensemble de l'équipe ML Platform et les chercheurs