Recruiting?

09 80 80 75 13

ML Engineer

Découvrez en détail les missions, compétences requises

et opportunités d’évolution

Description de la fonction

Le ML Engineer est responsable de l’industrialisation et du déploiement des modèles de Machine Learning. Contrairement au Data Scientist qui se concentre sur l’expérimentation et la précision mathématique, le ML Engineer se concentre sur la scalabilité, la performance du code et l’automatisation. Il construit les infrastructures nécessaires pour que les algorithmes puissent traiter des millions de requêtes en temps réel sans faillir. Au quotidien, le ML Engineer collecte, structure et analyse les données pour produire des insights actionnables à destination des équipes métier. Il contribue à la gouvernance des données et accompagne la montée en maturité data de l’organisation.

Exemples d'objectifs attendus

  • Mise en production (Deployment) : Transformer les scripts de recherche (souvent en notebooks) en applications robustes et scalables.
  • Automatisation du cycle de vie (MLOps) : Créer des pipelines automatisés pour réentraîner les modèles dès que de nouvelles données sont disponibles.
  • Optimisation des performances : Réduire le temps de réponse (latence) et la consommation de ressources (CPU/GPU) des modèles.
  • Monitoring des modèles : Mettre en place des outils pour détecter la dégradation des performances des algorithmes au fil du temps (model drift).

Compétences nécessaires

Hard skills:
  • Maîtrise avancée de Python
  • frameworks de ML (PyTorch, TensorFlow)
  • outils de containerisation (Docker, Kubernetes)
  • et plateformes de déploiement (MLFlow, Kubeflow).
  • Maîtrise de Python et/ou SQL pour l’analyse et la modélisation
  • Connaissance des plateformes cloud data (AWS, GCP, Azure)
  • Outils de visualisation (Tableau, Power BI, Looker)
  • Pratique des outils MLOps et de versionnement (Git, dbt, Airflow)
Soft skills:
  • Rigueur d’ingénierie logicielle
  • esprit de résolution de problèmes
  • capacité à collaborer entre les équipes Data et DevOps.
  • Sens de l’organisation et rigueur dans la gestion des priorités
  • Autonomie et capacité à travailler en mode projet
  • Adaptabilité face aux changements et aux environnements évolutifs

Évolution professionnelle

D’où vient-on ? (Accès au poste)

  • Data Scientist : Ayant développé une forte expertise en développement logiciel et infrastructure.
  • Développeur Back-end / DevOps : S’étant spécialisé dans les frameworks d’intelligence artificielle.
  • Data Engineer : Souhaitant se rapprocher de la logique algorithmique et des modèles.

Vers quoi évoluer ? (Après le poste)

  • Séniorité : Senior ML Engineer ou Staff/Principal ML Engineer.
  • Architecture : AI Architect ou Data Architect.
  • Management : Head of Machine Learning ou Head of Data.
  • Le ML Engineer est le pilier technique qui permet à l’IA de sortir des laboratoires pour entrer dans la vie réelle.
  • rille de rémunération : ML Engineer (2025-202

Rémunération

City Expérience Salaire minimum Salaire maximum
Hors Paris Junior (0-2 ans) 45 000 € 55 000 €
Hors Paris Confirmé (2-5 ans) 55 000 € 72 000 €
Hors Paris Senior (5-10 ans) 72 000 € 95 000 €
Hors Paris Expert/Director (10+ ans) 95 000 € 125 000 €
Paris Junior (0-2 ans) 50 000 € 60 000 €
Paris Confirmé (2-5 ans) 60 000 € 80 000 €
Paris Senior (5-10 ans) 80 000 € 105 000 €
Paris Expert/Director (10+ ans) 105 000 € 140 000 €
en_USEnglish
Before going any further, let's get to know each other:

Just a few details:

Before going any further, let's get to know each other:

Just a few details:

Your personal data is only used to enable you to receive commercial information from digiRocks and is strictly reserved for the latter. In accordance with the regulations on personal data, you have a number of rights (opposition, deletion, modification).