AI Engineer — MLOps

Faire tourner un modèle en local, c’est bien. Le faire tenir en prod avec un déploiement à l’échelle, c’est mieux.

Tes projets couvrent l’ensemble du cycle de vie des solutions IA : du cadrage technique jusqu’à la mise en production et le passage à l’échelle, dans des environnements industriels souvent contraints (on-premise, cloud hybride, données sensibles, systèmes legacy).

Tu travailleras en binôme avec des Data Scientists et des Data Engineers, pour délivrer des solutions scalable qui répondent à des problématiques concrètes.

Tes missions

Industrialisation & MLOps

• Concevoir des pipelines MLOps pour le déploiement et le monitoring de modèles

• Implémenter les infrastructures CI/CD adaptées aux projets IA

• Garantir la reproductibilité, la scalabilité et la maintenabilité des solutions

Architecture & développement IA

• Cadrage technique : choix d’architecture, frameworks & dimensionnement infra

• Solutions robustes et documentées — du POC à la mise en production industrielle

• Intégrer les solutions IA dans les SI clients (APIs, microservices, orchestration)

Delivery & qualité

• Travailler en mode agile sur des forfaits & régies avec des objectifs clairs

• Être garant(e) de la qualité technique des livrables selon les standards MP Data

• Participer aux revues de code et contribuer à la montée en compétences des profils juniors

Veille & innovation

• Suivre les évolutions des outils MLOps (Kubeflow, MLflow, Airflow, BentoML, Seldon…) et des plateformes cloud (Azure, AWS, GCP)

• Contribuer au Lab Innovation MP Data : benchmark, POC, tests de nouvelles approches d’industrialisation IA

Formation & expérience

• Diplôme d’ingénieur ou Master en informatique, data science ou domaine connexe (Bac+5) d’une école du top 10.

• 2 à 4 ans d’expérience sur des missions d’AI Engineering ou MLOps,

Compétences techniques indispensables

• Maîtrise de Python et des frameworks ML/IA (scikit-learn, PyTorch, TensorFlow ou équivalent)

• Expérience solide sur les outils MLOps : MLflow, Kubeflow, Airflow, DVC ou équivalents

• Connaissance du cloud (Azure AI Foundry, AWS SageMaker ou GCP Vertex AI)

• Pratique des outils CI/CD (GitHub Actions, GitLab CI, Docker, Kubernetes)

• Déploiement de modèles en production (APIs REST, monitoring, versioning)

Compétences techniques appréciées

• Expérience avec les LLMs et RAG (LangChain, LlamaIndex…)

• Connaissance des environnements industriels (données de capteurs, SCADA, contraintes on-premise)

• Pratique de l’Infrastructure as Code (Terraform, Pulumi)

Savoir-être

• Rigueur sur la qualité du code et des livrables

• Capacité à tenir engagement sur le résultat

• Pédagogie face à des interlocuteurs non techniques

• Autonomie et sens des responsabilités dans la gestion de ton périmètre

• Un premier call de qualification

• Test technique

• Entretien technique avec un Lead Engineer ou Architecte MP Data

• Entretien final