ML Engineer / MLOps (H/F)

Thélio; Bordeaux; Sur place; EUR 65 000 - 105 000; Plein temps

Avantages offerts par ce poste

Projets IA industriels

Culture RSE

Évolution carrière

Résumé du poste

Thélio recherche un ML Engineer / MLOps pour industrialiser des modèles IA et superviser des pipelines end-to-end chez des grands comptes. Vous structurerez le socle MLOps interne et assurerez la fiabilité, la scalabilité et l observabilité des solutions IA.

Le profil idéal: minimum 5 ans d'expérience, expertise Python, CI/CD et orchestration (Airflow, Kubernetes). Vous travaillez sur des architectures cloud et des plateformes data variées, avec une sensibilité à la gouvernance et à la sécurité.

Qualifications

• Minimum 5 ans d'expérience en ML/MLOps et déploiement en prod.
• Bonne maîtrise de Python, CI/CD et pratiques DevOps applicables au ML.

Responsabilités

• Industrialiser les modèles et les chaînes IA, de prototype au produit.
• Conception et run de pipelines ML/GenAI, training, validation, déploiement et scoring.
• Mettre en place CI/CD/CT et versioning des artefacts ML.
• Concevoir plateformes IA avec dev/test/prod et observabilité des services.
• Gouvernance, sécurité et conformité RGPD autour des assets IA.

Connaissances

Python

SQL

Docker

Kubernetes

CI/CD

ML/DL

Cloud platforms

GenAI

MLOps

Observability

Outils

Airflow

Snowflake

Databricks

BigQuery

Dataiku

Description du poste

Présence client + R&D interne

Le contexte

Chez Thélio, nous accompagnons nos clients de l'expérimentation IA jusqu'à la mise en production industrielle. Le maillon qui fait souvent défaut, c'est l'industrialisation : transformer un notebook, un flow ou une chaîne RAG en service fiable, monitoré, sécurisé et maintenable.

Nous recherchons un ML Engineer / MLOps pour porter ce rôle chez nos clients grands comptes (industrie, énergie, retail, sport, banque, événementiel) et pour structurer notre socle de pratiques MLOps en interne. Ta valeur n'est pas de faire de la recherche modèle isolée, mais de rendre les modèles et chaînes IA déployables, observables, gouvernés et exploitables.

Industrialisation ML / IA / GenAI Passer du prototype au produit : packaging de modèles, services de scoring batch ou temps réel, APIs, endpoints, jobs planifiés. Rendre robustes, scalables et monitorées des solutions ML et génératives conçues par les Data Scientists.

Conception et run des pipelines MLOps Construire et maintenir les pipelines de bout en bout : entraînement, validation, tests, déploiement, scoring, monitoring, rollback. Mettre en place le CI/CD/CT appliqué au ML (tests de code, tests data, validation modèle, promotion d'environnements, versioning des artefacts).

Plateforme et outillage IA Mettre en place les plateformes IA et l'outillage d'aide au développement : environnements dev/test/prod, secrets management, observabilité, briques de monitoring. Automatiser les process de déploiement autour de l'IA.

Architecture technique Proposer des architectures appliquant les principes d'agilité, d'intégration et de déploiement continus, en anticipant les besoins de scalabilité. Concevoir des patterns réutilisables (training pipeline, batch scoring, orchestration hybride, RAG sécurisé).

Monitoring et qualité en production Surveiller les modèles en production : performance, drift, biais, latence, erreurs, disponibilité, qualité des données d'entrée. Mettre en place les contrôles qualité sur les datasets, features et sorties modèles, ainsi que l'alerting opérationnel.

GenAIOps Industrialiser les patterns GenAI : RAG, embeddings, vector DB, prompt management, guardrails, évaluation, supervision des hallucinations et contrôle des sources.

FinOps et veille Contribuer à la maîtrise des coûts (inférence, appels LLM, compute, stockage) dans une démarche FinOps. Assurer une veille technologique active sur les architectures data et IA.

Gouvernance et conformité Documenter les assets IA (datasets, owners, lineage, règles qualité, model cards, runbooks). Garantir l'auditabilité des pipelines et services, en lien avec les RSSI, DPO et équipes risque/conformité, dans le respect du RGPD et des principes d'IA responsable.

Ce que nous offrons

Un cabinet indépendant à taille humaine, des missions variées sur des sujets d'industrialisation IA à fort enjeu, une culture où la RSE et la transition écologique ont leur place, et un espace réel pour structurer nos pratiques MLOps et faire grandir l'offre.

La stack et les compétences attendues

Software engineering (cœur du poste) Très bon niveau : design patterns, architecture logicielle, bonnes pratiques de dev, tests, packaging, APIs, gestion de configuration. Python avancé indispensable (ou autre langage orienté objet), SQL solide.

Culture data (socle indispensable) Au-delà de l'ingénierie logicielle, une vraie culture data est attendue : compréhension des architectures et des outils de la donnée (data lake / lakehouse / data warehouse, ETL/ELT, orchestration, couches de stockage et de service), des principes de modélisation (modèles relationnels, dimensionnels type étoile/flocon, approches modernes type data vault), et des enjeux de qualité, de gouvernance et de lineage. Tu dois pouvoir dialoguer d'égal à égal avec les Data Engineers et les Data Architects, et comprendre comment une feature ou un dataset est produit en amont d'un modèle.

DevOps / MLOps Docker, Kubernetes, Helm, pipelines as code, Git, CI/CD, environnements multi-stage, logs, monitoring, runbooks. La connaissance des pratiques MLOps est un vrai différenciateur.

Cloud et plateformes data/IA À l'aise sur au moins un cloud majeur (Azure, GCP ou AWS). Connaissance d'écosystèmes data et IA tels que Snowflake, Databricks, Dataiku, BigQuery, Microsoft Fabric, ainsi que des outils d'orchestration (Airflow), de qualité (Soda) et de catalogue/gouvernance (Data Galaxy) selon les contextes clients.

GenAI Frameworks RAG, vectorisation, embeddings, vector DB, prompt/version management, frameworks d'évaluation, guardrails, observabilité LLM.

Niveau et trajectoire

Minimum 5 ans d'expérience. Trois niveaux de lecture selon le profil :

Confirmé: industrialise des modèles et services IA, automatise les pipelines de déploiement, met en place le monitoring.

Senior: conçoit des architectures MLOps / GenAIOps robustes autour des plateformes data et IA du client.

Lead: définit les standards, pilote les patterns réutilisables, garantit la robustesse des services IA à l'échelle et fait monter l'équipe en compétence.

Exigeant sur la qualité, pragmatique sur le delivery. Tu penses produit, run, sécurité, coût et maintenabilité dès la conception. Tu sais challenger les besoins et les choix techniques avec pédagogie, vulgariser auprès d'interlocuteurs variés (Data Scientists, Data Engineers, métiers, DSI, sécurité), et faire grandir les autres par le mentoring, les revues de code et l'exemplarité.

Sens du service et de la relation client, curiosité, autonomie, aisance relationnelle et capacité d'écoute complètent le profil, dans une logique de conseil.