Machine Learning Engineer – Data & MLOps
ESENCAMédiasPubliée il y a 3 semaines
~ 750 – 950 €/jFourchette estimée par FreelanceScope à partir du niveau d'expérience demandé : la source ne publie pas de TJM pour cette mission.
- Lieu
- Lille · Télétravail non précisé
- Durée
- 6 mois
- Démarrage
- 26 octobre 2026
- Expérience
- Expert (10 ans et +)
- Langues
- Français
- Contrat
- Freelance
Situer cette mission
Repères calculés par FreelanceScope sur les missions ouvertes de son catalogue — ils ne proviennent pas de l'annonce et n'engagent pas l'entreprise.
- 9 missions ingénieur ia sont ouvertes à Lille en ce moment, sur 383 pour ce métier en France.
- 7 % des missions ingénieur ia de notre catalogue sont ouvertes en télétravail total.
- Compétences peu demandées ailleurs dans le catalogue : dbt (93 missions), MLOps (111 missions), BigQuery (130 missions). À séniorité égale, une compétence rare se négocie mieux.
Profil expert (10 ans et +) · Comment ces repères sont calculés
La mission
Dans le cadre d’un projet stratégique autour de la recommandation et de l’IA, nous recherchons un Machine Learning Engineer expérimenté pour concevoir, développer et industrialiser des pipelines Data et ML de bout en bout.
Vous intégrerez une équipe pluridisciplinaire composée de Data Scientists, Data Engineers, développeurs, Tech Lead et Product Owner, au sein d’un environnement fortement orienté Data, ML et Cloud.
Vos missions
Concevoir et développer des data pipelines de bout en bout : ingestion, transformation, stockage et exposition des données.
Concevoir et industrialiser des pipelines ML : préparation des données, entraînement, évaluation, publication et inférence.
Participer à la conception et à l’évolution d’architectures Data / ML sur GCP.
Mettre en place les mécanismes de qualité, reproductibilité, monitoring et observabilité des pipelines.
Industrialiser les modèles ML pour des usages en production, notamment en inférence temps réel.
Participer à l’évolution du socle DataOps / MLOps et des outils d’orchestration.
Optimiser les solutions existantes en matière de performance, fiabilité, maintenabilité et coûts Cloud.
Participer au Run et à la résolution des incidents sur les pipelines et services existants.
Garantir la qualité des développements : tests, revue de code, documentation et bonnes pratiques d’ingénierie.
Collaborer avec les équipes Data, ML et Software Engineering afin de partager les bonnes pratiques.
Environnement technique
Data Engineering : BigQuery, dbt, Kafka, streaming, data modeling, Terraform.
ML / MLOps : Python, Deep Learning, embeddings, Docker, Kubernetes, Git, ZenML ou outils similaires, ML pipelines, inférence temps réel.
Cloud : GCP, architectures Cloud distribuées.
Compétences attendues
Indispensables
- Machine Learning
- MLOps
- GCP
- BigQuery
- dbt
- Kafka
- Terraform
- Python
Appréciées
- Deep Learning
- Docker
- Kubernetes
- Git