MLOps Engineer: Scale ML Platforms, CI/CD & Observability

Astrelya; Paris; On-site; EUR 90,000 - 120,000; Full time

Job summary

Astrelya recherche un/une Machine Learning Platform Engineer (MLOps) pour accompagner nos clients dans l’industrialisation et le déploiement à grande échelle de solutions ML. Vous travaillez à l’intersection Data Science, Data Engineering et DevOps, en veillant à la production fiable des modèles et à la traçabilité des plateformes ML.

Vous pourrez containeriser avec Docker, orchestrer sur Kubernetes, mettre en place CI/CD et monitorer les performances, tout en garantissant la reproductibilité

Qualifications

• Expérience significative en MLOps, ML Engineering, Data Engineering ou DevOps appliqué à la Data.
• Maîtrise de Python et des pratiques d’industrialisation des modèles de ML.
• Expérience avec Kubernetes et Docker.
• Déploiement et maintien de modèles ML en production.
• Connaissance des concepts CI/CD et d’automatisation des pipelines de déploiement.
• Maîtrise des problématiques de monitoring et d’observabilité des modèles.

Responsibilities

• Industrialiser les pipelines ML et automatiser entraînement, validation et déploiement.
• Mettre en place des CI/CD/CT fiables et reproductibles.
• Déployer et servir les modèles via APIs temps réel et traitements batch.
• Containeriser les applications et orchestrer sur Kubernetes.
• Assurer le versioning des modèles et la gestion des environnements.
• Mettre en place le monitoring et détecter data drift et model drift.
• Optimiser les architectures et les coûts d’exploitation cloud.

Skills

Python

CI/CD

MLOps

DevOps practices

Observability

Tools

Docker

Kubernetes

APIs

Job description

Astrelya recherche un/une Machine Learning Platform Engineer (MLOps) pour accompagner nos clients dans l’industrialisation et le déploiement à grande échelle de solutions ML. Vous travaillez à l’intersection Data Science, Data Engineering et DevOps, en veillant à la production fiable des modèles et à la traçabilité des plateformes ML.

Vous pourrez containeriser avec Docker, orchestrer sur Kubernetes, mettre en place CI/CD et monitorer les performances, tout en garantissant la reproductibilité