CPTO_121 - Data & ML Platform Engineer (f/h/n)

Chez Hublo, nous sommes convaincus que les outils digitaux (et l’accompagnement humain) peuvent contribuer à transformer et améliorer le système de santé. Notre vision est de permettre aux établissements de santé de devenir des lieux épanouissants et de libérer du temps aux soignants afin qu’ils puissent se recentrer sur leur mission première : soigner.

Pour y parvenir, nous mettons toute notre énergie au service de l’enjeu #1 des établissements de santé : recruter, manager et fidéliser leurs équipes et leurs talents. C’est dans cette logique que nous développons depuis 2016 une plateforme SaaS RH dédiée au secteur, avec l’ambition de devenir la plateforme RH de référence de la santé.

Aujourd’hui, Hublo est utilisé par 6 000 établissements de santé et plus d’1,4 millions de professionnels.

Certifiée B-Corp et entreprise à mission, Hublo porte une exigence d'impact autant que de performance. En 2025, l'entreprise a dépassé les 30 millions d'euros de revenus annuels récurrents, est rentable et en forte croissance.

L'équipe fondatrice et dirigeante est soutenue par des investisseurs français de premier plan (Five Arrows, Revaia, Bpifrance) dont l’accompagnement a notamment permis de réaliser4 opérations de M&A.

Forte de 200 collaborateurs aujourd’hui, l’équipe continue de grandir et chaque recrutement compte.

Envie d’améliorer concrètement le fonctionnement du système de santé ? Parlons-en

Ton rôle

En tant que Platform Engineer, tu seras responsable de construire et de faire évoluer une plateforme data fiable, observable et scalable, utilisée au quotidien pour piloter Hublo.

Tu contribueras également à poser les fondations de notre plateforme ML/AI, afin de permettre au ML/AI Engineer de passer rapidement de premiers prototypes à des modèles reproductibles, monitorés et opérables en production.

Enfin, tu seras garant de mettre en place un cadre durable autour de la sécurité, de la conformité, de la traçabilité et de la maîtrise des coûts, sans ralentir les équipes qui utilisent nos données et nos modèles.

Tes missions & résultats attendus

Faire évoluer la plateforme Data de bout en bout

• Faire évoluer les frameworks de transformation, d’orchestration, de tests, de semantic layer et d’observabilité.

• Maintenir et faire évoluer les déploiements Helm d’Airbyte, Airflow, Metabase et des briques associées.

• Documenter les choix techniques et les standards opérationnels de la plateforme.

Industrialiser la plateforme ML/AI

• Travailler avec le ML/AI Engineer pour concevoir les capacités de compute, de stockage et d’orchestration nécessaires aux cas d’usage ML.

• Rendre reproductibles le versioning, l’entraînement, le déploiement et le suivi des modèles.

• Construire un socle self-service permettant aux équipes d’expérimenter et d’itérer rapidement.

Garantir la fiabilité des modèles à l’échelle de la plateforme

• Mettre en place le monitoring des modèles et la détection du data drift et du model drift.

• Déployer les mécanismes d’alerting nécessaires au suivi des modèles en production.

• Construire un premier feature store réutilisable entre les différents cas d’usage.

Garantir sécurité, conformité et traçabilité

• Mettre en place les mécanismes d’anonymisation et de pseudonymisation des données.

• Définir et appliquer les règles de conservation, d’archivage et de suppression des données.

• Structurer les contrôles d’accès aux données et aux modèles.

• Mettre en place le data lineage et le model lineage.

• Travailler avec les équipes Legal et Sécurité sur les exigences liées au RGPD.

Faire les bons choix techniques et maîtriser les coûts

• Évaluer et benchmarker les solutions d’embedded analytics, les couches de cache et les outils Data/ML.

• Optimiser la performance et les coûts dans une logique FinOps.

• Prioriser la réduction de la dette technique tout en permettant aux nouveaux usages de se développer.

Tes critères de succès

• À 6 mois, les SLO de la plateforme Data sont définis et suivis, avec au moins 99,5 % de disponibilité mensuelle sur les composants critiques et 95 % des exécutions prioritaires respectant leur objectif de fraîcheur.

• À 9 mois, une plateforme ML reproductible est disponible et utilisée par le ML/AI Engineer pour au moins 2 cas d’usage de bout en bout, de l’expérimentation au déploiement en prépro