FR - Ingénieur MLOps – Infrastructure des données

🔥 il y a 8 minutes

🇫🇷 France – Télétravail

⏰ Temps Plein

🟡 Intermédiaire

🟠 Senior

🚰 Ingénieur Data

👻 Score fantôme 12%

Ce que ça veut dire : la probabilité que cette offre reste ouverte sans recrutement actif.Comment le lire : 60 % ou plus, on pense que c'est une offre fantôme. Un score plus bas est moins inquiétant.Comment on la calcule : ancienneté, republications, postes ouverts vs taille de l'équipe, rapidité de clôture, et si le salaire est indiqué.À noter : une estimation à partir de données publiques, pas un jugement sur l'entreprise. De vraies offres peuvent avoir un score élevé, alors prenez-le comme un indice, pas comme un fait.

Postuler Maintenant

Trouver des Emplois à Distance Similaires

Configurer une alerte email pour les nouveaux emplois

📊 Vérifiez votre score de CV pour ce poste

Améliorez vos chances d'obtenir un entretien en vérifiant votre score de CV avant de postuler.

Télécharger le CV

MARSS Group

Site WebLinkedInTous les Emplois

51 - 200 employés

📦 Logistique

💼 Conseil

🎖️ Défense

Logistics • Consulting • Defense

Fondée en 2005, le leadership technologique de MARSS s'est développé grâce à plus de 15 ans de collaboration en recherche avec l'UE, l'OTAN, des agences de défense, le monde académique et l'industrie. MARSS développe des systèmes de sécurité et de surveillance pour la protection de la sécurité nationale utilisant la surveillance par capteurs intégrés, l'intelligence artificielle et le renseignement open-source. Nos technologies sont opérationnelles dans le monde entier, protégeant des nations, des infrastructures critiques, des actifs navals, des forces spéciales, des chefs d'État, des superyachts et le transport maritime commercial. La gamme de produits MARSS inclut NiDAR™, NiDAR 4D, NiDAR Command, NiDAR X, NiDAR CUAS, MOBtronic™, RADiRguard™ et Interceptor.

Description

• Concevoir et exploiter l’infrastructure prenant en charge l’environnement data et Machine Learning de l’entreprise • Approvisionner et administrer des serveurs bare metal et des machines virtuelles, ainsi que les environnements qui y sont exécutés • Concevoir, configurer et maintenir les serveurs, machines virtuelles et environnements prenant en charge les pipelines de données et le développement ML • Concevoir et maintenir l’infrastructure et les automatisations dédiées à la collecte, la préparation, la validation, le versioning et la disponibilité des données • Automatiser le flux de données, de la collecte à la préparation jusqu’aux processus aval, notamment le déclenchement des entraînements • Configurer et administrer les environnements et serveurs Linux utilisés par les équipes ML et data • Déployer, configurer et maintenir des plateformes de gestion ML/data telles que MLflow, DVC, ClearML ou équivalentes • Construire des environnements hors ligne reproductibles avec des miroirs locaux de paquets, des registres privés d’images de conteneurs et une gestion hors ligne des artefacts • Mettre en place le versioning des jeux de données et des artefacts, et assurer la traçabilité des expérimentations • Exploiter la couche d’orchestration en tant que service déployé, notamment son installation, sa configuration, la gestion des ressources, les mises à niveau et la collecte des logs et métriques • Participer à la gestion de jeux de données volumineux et variés, notamment des images, des vidéos, des données structurées et des données temporelles ou de séries temporelles • Intégrer les pipelines de données à l’environnement existant d’entraînement et d’inférence, en collaboration avec le Data Engineer • Conteneuriser les applications data avec Docker et les intégrer aux outils de déploiement • Développer des automatisations pour l’approvisionnement des environnements, les tests, le déploiement et la supervision • Définir et mettre en œuvre la supervision de l’infrastructure et des services, notamment le suivi de la qualité des données et de la santé des pipelines • Superviser l’infrastructure et les workloads ML, et résoudre les problèmes de performance, de disponibilité et de configuration • Contribuer à l’utilisation efficace des ressources de calcul et de stockage • Participer à l’architecture et à l’amélioration continue de la plateforme ML interne • Documenter l’infrastructure, les configurations, les processus de déploiement et les procédures opérationnelles

🎯 Exigences

• Expérience professionnelle confirmée en MLOps, DevOps, infrastructure data ou dans un rôle d’ingénierie étroitement lié • Maîtrise pratique de Linux, avec une réelle aisance pour travailler intensivement en ligne de commande • Expérience dans la configuration et l’administration de serveurs, de machines virtuelles et d’infrastructures techniques • Solide expérience de Docker et des environnements conteneurisés • Expérience dans la conception d’environnements fonctionnant hors ligne ou dans des conditions de réseau restreint : registres locaux, miroirs ou installations déconnectées • Expérience pratique des outils de gestion du cycle de vie ML et des données, tels que MLflow, DVC, ClearML ou des frameworks comparables • Bon niveau en Python, notamment pour le scripting, l’automatisation et l’intégration • Bonne compréhension des pipelines de données et des exigences liées aux jeux de données volumineux et hétérogènes • Bonne compréhension des workflows de développement et de déploiement en Machine Learning • Expérience dans la mise en œuvre de CI/CD ou d’automatisations similaires pour des workloads logiciels, data ou ML • Bonne maîtrise de Git et des workflows de développement logiciel • Solides compétences en diagnostic et résolution de problèmes logiciels, d’infrastructure et de configuration • Capacité à concevoir et mettre en œuvre de manière autonome des solutions techniques, et pas uniquement à exploiter une plateforme existante • Anglais courant, à l’écrit comme à l’oral