ML Engineer

Ingénieur MLOps · AI Platform Engineer · DataOps / MLOps Engineer · Consultant ML Engineer

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 chaïne RAG en service fiable, monitoré, sécurisé et maintenable.

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

Tes missions

• 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 appliqués 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 (inèrance, 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 ecologique ont leur place, et un espace réel pour structurer nos précautions MLOps et faire grandir l’offre.

La stack et les compétences attenduesSoftware 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 départ 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 / MLOpsDocker, Kubernetes, Helm, pipelines as code, Git, CI/CD, environnements multi-stage, logs, monitoring, runbooks. La connaissance des précautions MLOps est un vrai différentiateur.Cloud et plateformes data/IAÀ 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.GenAIFrameworks RAG, vectorisation, embeddings, vector DB, prompt/version management, frameworks d'évaluation, guardrails, observabilité LLM.Niveau et