Ingénieur·e systèmes d’apprentissage automatique
Construire et exploiter les pipelines d’AA, l’infrastructure de déploiement de modèles et les systèmes de surveillance qui amènent l’apprentissage automatique à un usage fiable en production.
Quix recherche une personne ingénieure systèmes d’apprentissage automatique spécialisée dans la discipline d’ingénierie requise pour faire passer les modèles d’AA de l’expérimentation à l’exploitation en production. Le rôle s’adresse à quelqu’un qui comprend que la fiabilité de l’AA en environnement d’entreprise dépend de la qualité des données, de la stabilité des pipelines, de l’efficacité d’inférence et d’une surveillance systématique des modèles — et pas seulement des métriques de performance des modèles.
Ce que vous ferez
- Concevoir et maintenir des pipelines d’entraînement d’AA, des flux de travail d’ingénierie de caractéristiques et des étapes de validation des données.
- Construire l’infrastructure de déploiement de modèles : empaquetage, versionnage, service, cadres de tests A/B et mécanismes de retour arrière.
- Mettre en œuvre la surveillance de la performance des modèles, la détection de dérive des données et les déclencheurs de réentraînement automatisé.
- Optimiser le service d’inférence pour la latence, le débit et l’efficacité des coûts dans des cas d’usage par lots et en temps réel.
- Collaborer avec les ingénieurs de données pour que les magasins de caractéristiques et les pipelines de données répondent aux exigences des pipelines d’AA.
- Établir le suivi des expériences d’AA, le registre de modèles et les pratiques de gestion de lignage.
- Documenter le comportement des systèmes d’AA, les dépendances de données et les exigences opérationnelles pour le transfert en production.
Ce que nous recherchons
- Solide expérience production de construction et d’exploitation de systèmes d’AA, et non uniquement de recherche ou d’expérimentation.
- Maîtrise des frameworks d’AA : TensorFlow, PyTorch, scikit-learn, XGBoost ou équivalents.
- Expérience de l’outillage MLOps : MLflow, Kubeflow, SageMaker, Azure ML, Vertex AI ou équivalent.
- Compréhension approfondie des exigences de qualité des données, de la fiabilité des pipelines et de la cohérence des caractéristiques pour l’AA en production.
- Expérience des charges de travail d’AA conteneurisées et des environnements de déploiement basés sur Kubernetes.
- Capacité à communiquer clairement le comportement et les limites des systèmes d’AA à des parties prenantes non spécialistes.
Atouts
- Expérience des frameworks de traitement de flux pour l’ingénierie de caractéristiques en temps réel : Flink, Spark Streaming ou Kafka Streams.
- Profil en sécurité des modèles, tests adverses ou cadres de risque propres à l’AA.
- Expérience dans des secteurs réglementés où la gouvernance des modèles et les pistes d’audit sont requises.
Les systèmes d’AA en production ne valent que par leur fiabilité opérationnelle. Ce rôle garantit que les modèles entraînés en expérimentation atteignent la production sans se dégrader, continuent de performer face au déplacement de distribution et fournissent la visibilité de surveillance dont les équipes d’ingénierie et métier ont besoin pour faire confiance aux systèmes de décision automatisés.
Candidature pour Ingénieur·e systèmes d’apprentissage automatique
Le poste est présélectionné. Le CV et le numéro mobile sont requis pour soutenir la vérification lorsque celle-ci sera connectée.