Senior Data & AI Engineer Consultant - GenAI & MLOps

Groupe Talents Handicap; Nanterre; Sur place; EUR 90 000 - 125 000; Plein temps

Avantages offerts par ce poste

Carreer model

Further training

Smartworking

A Great Place To Work

Résumé du poste

Wavestone recherche un Data & AI engineer Senior Consultant au sein de la Business Unit IA, pour industrialiser l’IA dans les grandes organisations et concevoir des socles Data & AI modernes (data lake/lakehouse, entrepôt, data mesh) afin de supporter les cas d’usage analytiques et ML.

Vous travaillerez en binôme avec les Data Scientists et les équipes Platform pour passer du PoC à la production, déployer des pipelines robustes, mettre en place des pratiques MLOps/LLMOps et assurer gouvernance

Qualifications

• 3 ans d’expérience en Data Engineering et pilotage d’équipes.
• Maîtrise des architectures data modernes et data mesh.
• SQL avancé, Python et PySpark.
• Expérience sur Azure/AWS/GCP et Databricks/Snowflake.
• Connaissances MLOps et LLMops.

Responsabilités

• Apporter votre expertise sur Data & AI engineering et piloter des missions dans les grandes organisations.
• Gérer la qualité des livrables, coordonner les parties prenantes et respecter les engagements.
• Encadrer et faire grandir les équipes, diffuser les bonnes pratiques.
• Participer au développement de l’offre Data & IA et identifier les tendances du marché.
• Contribuer au développement commercial et à l’avant-vente.

Connaissances

Data Engineering

Python

PySpark

SQL avancé

Cloud public

MLOps

LLMOps

Docker

Français & Anglais

Outils

Databricks

Snowflake

Dataiku

Azure

AWS

GCP

Terraform

Docker

Description du poste

Wavestone recherche un Data & AI engineer Senior Consultant au sein de la Business Unit IA, pour industrialiser l’IA dans les grandes organisations et concevoir des socles Data & AI modernes (data lake/lakehouse, entrepôt, data mesh) afin de supporter les cas d’usage analytiques et ML.

Vous travaillerez en binôme avec les Data Scientists et les équipes Platform pour passer du PoC à la production, déployer des pipelines robustes, mettre en place des pratiques MLOps/LLMOps et assurer gouvernance