AI Engineer — MLOps & Industrialisation | Paris

Points clés

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.

Responsabilités

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

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