We are seeking a Staff MLOps Engineer with experience building and scaling infrastructure for large 2D and 3D media datasets. In this role, you will develop and own the backbone of our machine learning lifecycle, ensuring that data pipelines are automated, reproducible, and highly performant at scale. You will work on enabling seamless model training, deployment, and monitoring across complex, multimodal systems, supporting the evolution of cutting-edge AI/ML applications. Nous sommes à la recherche d'un(e) ingénieur(e) MLOps expert(e) ayant de l'expérience dans la conception et la mise à l'échelle d'infrastructures pour de grands ensembles de données multimédias 2D et 3D. Dans ce rôle, vous développerez et serez responsable des fondements du cycle de vie de l'apprentissage automatique, en veillant à ce que les pipelines de données soient automatisés, reproductibles et performants à grande échelle. Vous contribuerez à l'entraînement, au déploiement et au suivi des modèles au sein de systèmes multimodaux complexes, soutenant ainsi le développement d'applications d'IA/AA de pointe. Key Responsibilities - Cross-Functional Coordination: Work with partner ML and Annotation engineers and TPMs to spec out infrastructure and training requirements. - Pipeline Automation: Design and maintain robust CI/CD and CT (Continuous Training) pipelines for complex multimodal models. - Data Lifecycle Management: Implement versioning and storage strategies for massive 2D/3D datasets to ensure reproducibility and high-throughput access. - Monitoring & Observability: Deploy and manage systems for monitoring model performance and data drift in production environments. Responsabilités principales - Collaboration interfonctionnelle : Collaborer avec les ingénieurs ML, les équipes d'annotation et les TPM afin de définir les besoins en infrastructure et en entraînement. - Automatisation des pipelines : Concevoir, déployer et maintenir des pipelines CI/CD et d'entraînement continu (CT) pour des systèmes d'apprentissage automatique multimodaux. - Gestion du cycle de vie des données : Mettre en place des stratégies de stockage et de versionnement pour des ensembles de données 2D/3D à grande échelle afin d'assurer la reproductibilité et un accès efficace. - Surveillance et observabilité : Développer et gérer des systèmes permettant de surveiller la performance des modèles, détecter la dérive des données et garantir la fiabilité en production. Qualifications - Master's degree in Computer Science, Engineering, Mathematics, or a related field - Minimum of 5+ years of relevant industry experience, ideally within a fast-paced, high-growth tech environment. - Professional Experience: Proven experience as an MLOps Engineer in a fast-paced environment in applied machine learning. - Industry Context: Prior experience in industries with complex multi-disciplinary teams such as robotics, smart grids, precision agriculture, game development, or aerospace. Technical Proficiency: - Core Tools: Fluency with Python, Git, and the Unix shell. - Containerization & Orchestration: Deep familiarity with Docker, Kubernetes, and workflow orchestrators (e.g., Airflow, Prefect, or Kubeflow) - Ecosystem: Familiarity with collaborative tools such as Jira/Confluence, Slack and a Git server. - Strong Mathematical Background: Preferred for understanding the resource demands of 3D data transformations. Attributes: - Conscientiousness: High attention to detail regarding system reliability and data security. - Systems Thinking: Ability to translate abstract ML requirements into concrete, scalable cloud or on-prem infrastructure - Maîtrise en informatique, en ingénierie, en mathématiques ou dans un domaine connexe. - Minimum de 5 ans d'expérience pertinente en industrie, idéalement dans un environnement technologique dynamique et en forte croissance. - Expérience démontrée en tant qu'ingénieur(e) MLOps dans des environnements d'apprentissage automatique appliqué. - Une expérience dans des secteurs multidisciplinaires tels que la robotique, les réseaux intelligents, l'agriculture de précision, les jeux vidéo ou l'aérospatiale est fortement valorisée. Compétences techniques - Outils principaux : Excellente maîtrise de Python, Git et des environnements Unix. - Conteneurisation et orchestration : Expertise approfondie avec Docker, Kubernetes et des outils d'orchestration de workflows (ex. : Airflow, Prefect, Kubeflow). - Écosystème : Familiarité avec des outils tels que Jira, Confluence, Slack et les workflows collaboratifs basés sur Git. - Bases mathématiques (atout) : Compréhension des concepts mathématiques liés au traitement de données 3D à grande échelle et à l'optimisation des systèmes. Qualités recherchées - Rigueur : Grande attention aux détails, avec un accent sur la fiabilité des systèmes, l'évolutivité et la sécurité des données. - Pensée systémique : Capacité à traduire des besoins ML abstraits en solutions d'infrastructure concrètes et évolutives (cloud ou sur site).