Ingénieur Data pour produit IA

Emploi pas sur LinkedIn

🔥 il y a 5 minutes

Postuler Maintenant

Trouver des Emplois à Distance Similaires

Recevoir des emails pour des emplois à distance

📊 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

Qonto

Site WebLinkedInTous les Emplois

501 - 1000 employés

💰 €500 000 Grant en 2022-10

Qonto est la solution financière de référence pour les entreprises en Europe. Elle simplifie tout, de la banque quotidienne et du financement à la comptabilité et à la gestion des dépenses. Qonto dynamise les PME et les indépendants pour qu'ils puissent accomplir davantage.

Description

• Construire et prendre en charge les pipelines de données ML : Concevoir, implémenter et maintenir des pipelines Python qui ingèrent, transforment et fournissent des jeux de données pour l'entraînement et l'inférence des modèles — couvrant des cas d'usage tels que [détection de fraude / scoring de crédit / automatisation comptable — à confirmer avec le HM]. • Prendre en charge le feature store : Concevoir les schémas de stockage et d'accès pour des jeux de fonctionnalités à grande échelle, en équilibrant latence et coût afin que les ML Engineers puissent récupérer les features de manière fiable tant en phase d'entraînement qu'en phase de serving. • Piloter l'infrastructure de serving des modèles : Mettre en place et maintenir l'infrastructure qui déploie les modèles entraînés en production, incluant le versioning, la montée en charge et le rollback. • Mettre en place des systèmes de qualité des données et de détection de dérive : Travailler avec les ML Engineers pour détecter les problèmes de données avant qu'ils ne dégradent les performances des modèles en production — faire de la fiabilité une norme partagée, et non une réflexion après coup. • Définir le standard d'ingénierie des données : Établir des modèles réutilisables en Python et des patterns de pipeline sur lesquels l'équipe s'appuie — créer des fondations, pas des solutions ponctuelles.

🎯 Exigences

• Expérience en infrastructure ML : Vous avez construit des pipelines et une infrastructure qui soutiennent directement des workflows de machine learning — pas seulement des ETL. Vous comprenez ce que sont les feature stores, les model registries et les couches de serving, et pourquoi ils sont essentiels. • Python à grande échelle : Vous maîtrisez Python pour l'ingénierie des données et avez une solide expérience avec [Spark / dbt / Airflow / Ray — à confirmer avec le HM]. Vous écrivez du code que d'autres peuvent maintenir. • Compréhension des workflows ML : Vous ne développez pas forcément les modèles, mais vous comprenez l'ensemble du cycle de vie ML — entraînement, validation, déploiement, monitoring — suffisamment pour concevoir l'infrastructure qui prend en charge chaque étape. • Pensée systémique : Vous concevez des architectures de données qui équilibrent les besoins actuels et la montée en charge future, en traitant le coût, la latence et la fiabilité comme des contraintes de premier ordre. • Esprit production : Vous avez exploité des systèmes de données en production. Vous savez ce qui casse et comment l'éviter.

🏖️ Avantages

• Impact direct à grande échelle : Vos pipelines alimentent des modèles qui traitent des transactions pour des PME et des freelances à travers l'Europe. Lorsque vous améliorez la qualité des données ou réduisez la latence des features, cela se traduit immédiatement dans le produit. • Une configuration d'équipe rare : 3 Data Engineers travaillant aux côtés de 15 ML Engineers — un ratio qui signifie que votre travail d'infrastructure est immédiatement éprouvé par ceux qui en dépendent le plus. • Construire, ne pas hériter : L'infrastructure ML de Qonto est encore en construction. Vous ne recevrez pas un système hérit é — vous définirez la manière de faire, avec une vraie responsabilité sur les décisions d'architecture. • Cycle d'itération rapide : Nous travaillons en livraison continue, donc les améliorations d'infrastructure sont déployées fréquemment et vous en voyez l'impact rapidement — pas seulement lors d'une release trimestrielle. • Exposition transverse : Vous travaillerez à l'intersection de l'ingénierie des données, du ML et du produit, contribuant à des solutions financières pour les PME en France, en Allemagne, en Italie, en Espagne et au-delà.