Senior/Staff Machine Learning Engineer MLOps

E-commerce

Informatique

Paris, Hybride

IT

FastAPITorchServeTriton Inference ServerRay ServePyTorchTensorFlowAWS EKSAWS EC2AWS SageMakerSnowflakeAirflowKubeflowMetaflowMLflowWeights & BiasesRedisDynamoDBS3FeastdbtDockerKubernetesTerraformDatadogPrometheusONNXTensorRTVector Databases

Rôle

Architecte MLOps et infrastructure ML pour plateforme marketplace mode circulaire

Technologies

FastAPITorchServeTriton Inference ServerRay ServePyTorchTensorFlowAWS EKSAWS EC2AWS SageMakerSnowflakeAirflowKubeflowMetaflowMLflowWeights & BiasesRedisDynamoDBS3FeastdbtDockerKubernetesTerraformDatadogPrometheusONNXTensorRTVector Databases

Entités

Data Science & Engineering

Contextes

E-commerceMarketplace modeMode circulaire et durable

Compétences

MLOps infrastructureProduction ML inference servicesAutomated model retraining pipelinesMulti-model AI architecturesFeature store design and implementationModel registry and trackingConcept drift handlingLow-latency high-throughput systemsCross-functional collaborationEngineering hygiene and CI/CDComputer vision model deploymentVLM model optimizationEdge computing optimizationInfrastructure as CodeData transformation workflowsModel performance monitoring

Challenges détectés

7 enjeux

Transformation
Construire une infrastructure MLOps robuste et décentralisée
Optimisation
Déployer et scaler des modèles de vision par ordinateur pour l'authentification de produits de luxe
Optimisation
Implémenter des pipelines de réentraînement continu pour la détection de fraude et les recommandations
Optimisation
Évaluer et intégrer des outils MLOps enterprise vs solutions internes
Transformation
Centraliser les capacités ML engineering pour supporter plusieurs domaines (Search, Pricing, Marketing)
Conformité
Assurer la fiabilité et la maintenabilité des systèmes ML en production
Optimisation
Gérer les pics de trafic imprévisibles et la scalabilité