CDILille, France
Machine Learning Engineer - Lille
Hybride
Le consultant intégrera l'équipe en charge du système de recommandation du site web, et contribuera à la conception, au développement et à l'exploitation des solutions Data & ML du périmètre. L’équipe est composée des profils pluridisciplinaires (PO, Tech Lead, Devs, Data Scientist).
Il participera également aux échanges et rituels de partage avec l'équipe AAAI, qui accompagne les équipes produit du domaine. Recommandation et initiatives autour des nouveaux usages de l'IA générative — et contribue à la définition et à la diffusion de l’état de l’art et des bonnes pratiques DataOps / MLOps.
Au cours de sa mission, le consultant
● Participera aux rituels agiles et contribuera aux activités de conception et de delivery de l'équipe.
● Analysera les besoins utilisateurs et métiers afin de proposer des solutions techniques adaptées aux enjeux business.
● Concevrira et développera des data pipelines de bout en bout, depuis l'ingestion et la transformation jusqu'au stockage et à la mise à disposition des données.
● Concevra et développera des pipelines ML de bout en bout : préparation des données, entraînement, évaluation, publication et inférence des modèles.
● Mettra en place les mécanismes nécessaires à la qualité, la reproductibilité et l'observabilité des pipelines Data & ML.
● Participera à la conception et à l'évolution des architectures Data / ML sur Google Cloud.
● Assurera la qualité des développements : tests, revue de code, documentation et respect des bonnes pratiques d'ingénierie.
● Améliorera et optimisera le patrimoine technique existant, notamment en termes de performance, fiabilité, maintenabilité et coûts.
● Participera au Run et à la résolution des incidents sur les pipelines et services existants.
● Contribuera à l'évolution du socle d'orchestration, des composants DataOps/MLOps et des services de la plateforme Google Cloud.
● Collaborera avec les équipes Data, ML, Software Engineering et AAAI afin de partager les bonnes pratiques et capitaliser sur les solutions mises en place.
● Accompagnera les équipes métiers et techniques dans l'adoption des bonnes pratiques liées à l'exploitation et à la qualité des données.
Compétences techniques attendues
Data Engineering
● BigQuery
● Dbt & testing (par exemple: dbt test et elementary)
● Kafka / streaming
● Data modeling
● Conception et développement de data pipelines
● Terraform
ML Engineering / MLOps
● Connaissance des modèles de Deep Learning et des architectures basées sur les
embeddings
● Python
● Conception de ML pipelines : entraînement, évaluation, publication et inférence
● Docker
● Kubernetes
● Git
● Outils d'orchestration / MLOps, par exemple ZenML
● Industrialisation de modèle pour l'inférence en temps réel
Cloud
● Google Cloud Platform
● Compréhension des architectures cloud distribuées
Compétences fondamentales
● Bonne compréhension des architectures Data modernes et des systèmes distribués.
● Deep Learning et modèles basés sur les embeddings : compréhension et mise en production.
● Compréhension des principes du stream processing.
● Maîtrise des concepts de data modeling et du cycle de vie d'un dataset.
● Compréhension des enjeux de qualité, observabilité, gouvernance et exploitation des données.
● Bonne compréhension du cycle de vie d'un modèle ML, de l'expérimentation jusqu'à la production.
● Capacité à concevoir des solutions scalables, robustes et maintenables.
● Sensibilité aux enjeux de performance et de maîtrise des coûts cloud.
● Capacité à travailler dans un environnement pluridisciplinaire Data / ML / Software Engineering.
Informations de la mission :
Il participera également aux échanges et rituels de partage avec l'équipe AAAI, qui accompagne les équipes produit du domaine. Recommandation et initiatives autour des nouveaux usages de l'IA générative — et contribue à la définition et à la diffusion de l’état de l’art et des bonnes pratiques DataOps / MLOps.
Au cours de sa mission, le consultant
● Participera aux rituels agiles et contribuera aux activités de conception et de delivery de l'équipe.
● Analysera les besoins utilisateurs et métiers afin de proposer des solutions techniques adaptées aux enjeux business.
● Concevrira et développera des data pipelines de bout en bout, depuis l'ingestion et la transformation jusqu'au stockage et à la mise à disposition des données.
● Concevra et développera des pipelines ML de bout en bout : préparation des données, entraînement, évaluation, publication et inférence des modèles.
● Mettra en place les mécanismes nécessaires à la qualité, la reproductibilité et l'observabilité des pipelines Data & ML.
● Participera à la conception et à l'évolution des architectures Data / ML sur Google Cloud.
● Assurera la qualité des développements : tests, revue de code, documentation et respect des bonnes pratiques d'ingénierie.
● Améliorera et optimisera le patrimoine technique existant, notamment en termes de performance, fiabilité, maintenabilité et coûts.
● Participera au Run et à la résolution des incidents sur les pipelines et services existants.
● Contribuera à l'évolution du socle d'orchestration, des composants DataOps/MLOps et des services de la plateforme Google Cloud.
● Collaborera avec les équipes Data, ML, Software Engineering et AAAI afin de partager les bonnes pratiques et capitaliser sur les solutions mises en place.
● Accompagnera les équipes métiers et techniques dans l'adoption des bonnes pratiques liées à l'exploitation et à la qualité des données.
Compétences techniques attendues
Data Engineering
● BigQuery
● Dbt & testing (par exemple: dbt test et elementary)
● Kafka / streaming
● Data modeling
● Conception et développement de data pipelines
● Terraform
ML Engineering / MLOps
● Connaissance des modèles de Deep Learning et des architectures basées sur les
embeddings
● Python
● Conception de ML pipelines : entraînement, évaluation, publication et inférence
● Docker
● Kubernetes
● Git
● Outils d'orchestration / MLOps, par exemple ZenML
● Industrialisation de modèle pour l'inférence en temps réel
Cloud
● Google Cloud Platform
● Compréhension des architectures cloud distribuées
Compétences fondamentales
● Bonne compréhension des architectures Data modernes et des systèmes distribués.
● Deep Learning et modèles basés sur les embeddings : compréhension et mise en production.
● Compréhension des principes du stream processing.
● Maîtrise des concepts de data modeling et du cycle de vie d'un dataset.
● Compréhension des enjeux de qualité, observabilité, gouvernance et exploitation des données.
● Bonne compréhension du cycle de vie d'un modèle ML, de l'expérimentation jusqu'à la production.
● Capacité à concevoir des solutions scalables, robustes et maintenables.
● Sensibilité aux enjeux de performance et de maîtrise des coûts cloud.
● Capacité à travailler dans un environnement pluridisciplinaire Data / ML / Software Engineering.
Informations de la mission :
- Début de mission : 01/12/2026
- Durée : 6 mois
- Date de publication : 28/10/2026
- Date limite de candidature : 07/11/2026
Compétences recherchées
BigQuery (Indispensable)dbt (Indispensable)elementary (Indispensable)Kafka (Indispensable)Data modeling (Indispensable)Data pipelines (Indispensable)Terraform (Indispensable)Deep Learning (Indispensable)embeddings (Indispensable)Python (Indispensable)Docker (Indispensable)Kubernetes (Indispensable)Git (Indispensable)ZenML (Indispensable)Google Cloud Platform (Indispensable)Vertex (Indispensable)GCP (Indispensable)DataOps (Indispensable)MLOps (Indispensable)stream processing (Indispensable)Pipeline Data (Indispensable)BIGQUERY (Indispensable)Pipeline ML (Indispensable)DBT (Indispensable)
Intéressé(e) ?
Rejoignez l'équipe et participez à nos projets ambitieux.