Consultant MLOps Engineer Confirmé/Senior - F/H/N

About this role

Vous faites partie de celles et ceux qui pensent que même avec plusieurs années d’expérience, on continue à apprendre ? Alors, nous sommes sur la même longueur d'onde ! Et si on en parlait ? Au sein de l’Atelier Data&AI, on retrouve des communautés de pratique organisées par tribus. L’idée, c’est de se retrouver et de partager des expertises communes, de développer ses compétences en équipes à taille humaine. Vous aurez donc pour missions de faire du conseil, du delivery et de la R&D.

Être MLOps Engineer Confirmé/Senior chez OCTO, c’est : Faire du conseil autant que du delivery : accompagner nos clients dans la mise en œuvre de solutions data ou modèles à l'échelle. Développer et designer dans un contexte agile des applications en mobilisant architecture, craftsmanship, MLOps. Et bien sûr, qui dit conseil, dit convictions : proposer la solution la plus adaptée, c’est aussi savoir et oser challenger nos clients (et c’est dans notre ADN !) Participer activement à la R&D “ Data & IA ” : au programme, veille technologique & bonnes pratiques.

Quelques sujets “chauds” du moment ? AgentOps, ModelOps, déploiement, monitoring & observabilité des modèles, augmented developer (en utilisant Claude, Copilot, etc), Participer aux réponses aux appels d’offres et avant-ventes : Participer aux échanges avec le client, au design de la solution et à la rédaction de la partie technique de nos futurs missions. Former & mentorer : le partage de connaissances et la montée en compétences des collaborateurs vous importent ? Nous sommes convaincus et prônons haut et fort la valeur de transmission.

Chez OCTO vous pourrez partager en interne comme à l'externe (rédiger des articles, donner des formations & conférences) et contribuer à nos projets open source. Et oui, chez OCTO le savoir n’est pas chasse gardée ! Promis pas de liste à rallonge, mais des compétences clés pour vous permettre de réussir chez nous : Un socle de savoir-faire techniques et au moins 5 ans d'expériences significatives (en CDI) sur : Les bonnes pratiques de développement (craftsmanship, industrialisation de code, linter, tests..) L’industrialisation et la mise en production de modèles de ML ou Agentic (dont MLFlow ou équivalent) La Data Science (transformation & validation de donnée, feature engineering, training, évaluation) Le Data Engineering: mise en place de flux de données par batch ou en streaming DevOps (CI/CD, conteneurisation, infra as code) en contexte data ou ML Un ou plusieurs cloud providers (AWS, GCP, Azure) Les méthodologies agiles.