ML Engineer AWS H/F

Onyx-Conseil; Paris; Sur place; EUR 70 000 - 110 000; Plein temps

Résumé du poste

Onyx-Conseil recherche un ML Engineer pour accompagner le déploiement de modèles de machine learning en production, au sein d’une équipe qui valorise la data. Vous interviendrez dans un environnement Data structuré mêlant data science, data engineering et MLOps.

Vos responsabilités incluent l’optimisation de la collecte et de la préparation des données, l’exposition des modèles via API et le suivi du cycle de vie des modèles en production, en étroite collaboration avec les data engineers et les

Responsabilités

• Optimiser la collecte et la préparation des données : data processing, feature engineering, industrialisation des pipelines.
• Améliorer l’exposition des modèles en production : API, endpoints, performance et scalabilité.
• Collaborer avec les data engineers pour intégrer les modèles dans la Data Platform.
• Travailler avec les data scientists afin de déployer les meilleures versions des modèles.
• Mettre en place des pratiques MLOps : qualité des données, suivi du data drift, monitoring, réentraînement.
• Assurer le suivi du cycle de vie des modèles en production.
• Documenter les processus, modèles et systèmes déployés.

Description du poste

Nous recherchons un ML Engineer pour accompagner le déploiement de modèles de machine learning robustes, performants et évolutifs en production. Vous intervenez dans une équipe dont le rôle stratégique est de valoriser la data.

Au sein d’un environnement Data structuré, vous interviendrez sur des projets transverses mêlant data science, data engineering et MLOps.

Vos principales responsabilités seront les suivantes :

• Optimiser la collecte et la préparation des données : data processing, feature engineering, industrialisation des pipelines.

• Améliorer l’exposition des modèles en production : API, endpoints, performance et scalabilité.

• Collaborer avec les data engineers pour intégrer les modèles dans la Data Platform.

• Travailler avec les data scientists afin de déployer les meilleures versions des modèles.

• Mettre en place des pratiques MLOps : qualité des données, suivi du data drift, monitoring, réentraînement.

• Assurer le suivi du cycle de vie des modèles en production.

• Documenter les processus, modèles et systèmes déployés.