CDI temps plein - DGTL / Signe + est le facilitateur pour tous les acteurs qui recherchent des ressources ou des missions DATA.
Spécialiste du marché Data et BI, nous intervenons dans toute la France comme à l'étranger ; en sous-traitance, pré-embauche, recrutement, portage commercial, portage salarial, etc.
Depuis 2018, nous accompagnons nos clients avec proximité, juste prix et préoccupation éthique de tous les instants.
https:
//www.dgtl-performance.com
Le poste :
Site :
Paris full time, télétravail possible 2 jour/ semaine
Prix d'achat max :
500 euros
Date de démarrage :
asap
Durée mission :
9 mois
Type de projet :
automatisation et l'optimisation de la plateforme de Forecasting.
Le client a récemment entrepris de créer une plateforme dédiée au forecasting, qui s'appuie sur l'intelligence artificielle, le big data et les données météorologiques pour optimiser la gestion des risques et la performance des activités Supply et Renewables.
Mission :
un(e) Ingénieur(e) MLOpsexpérimenté(e) pour rejoindre l'équipe et jouer un rôle clé dans l'automatisation et l'optimisation de la plateforme de Forecasting
Facilitateur du déploiement des pipelines de données et de machine learning, de l'ingestion à l'inférence, en assurant la scalabilité, la fiabilité et la reproductibilité des modèles existants.
Administrateur de l'instance Databricks
Acteur majeur dans l'implémentation des meilleures pratiques MLOps.
Profil recherché :
Nb années d'expérience :
5 ans minimum
Profil :
Ingénieur(e) MLOpsexpérimenté(e)
Description détaillée des tâches qui constituent la mission :
en étroite collaboration avec les équipes de Data Science, Data Engineering et IT pour garantir l'alignement des solutions MLOps avec les besoins métier :
Développer et gérer l'infrastructure en tant que code (IaC) avec Terraform pour provisionner et configurer nos ressources cloud
Etre force de proposition dans l'adoption et l'intégration d'outils MLOps tels que MLflow et Unity Catalog
Mettre en place des systèmes de monitoring et d'alerte pour assurer la qualité et la performance des modèles en production
Optimiser les workflows MLOps pour améliorer l'efficacité et réduire les coûts
