Contexte de la mission :

RSVZ est une organisation dynamique où plus de 150 personnes travaillent au sein du service Informatica. RSVZ est un environnement bilingue, avec des parties prenantes francophones et néerlandophones. La culture organisationnelle est informelle. Au sein de l’IT, la méthodologie Agile SAFe (Scaled Agile Framework) est adoptée et les équipes de développement sont composées de manière multidisciplinaire.

Chez RSVZ, nous souhaitons déployer des solutions de machine learning afin d’optimiser les processus, de mieux soutenir la prise de décision et de renforcer les services numériques. L’accent est mis sur des solutions ML fiables, scalables et maintenables, pouvant être intégrées efficacement dans les systèmes et flux de données existants, tant dans un environnement Azure qu’en local.

Nous recherchons un ML Engineer responsable de la construction et de l’opérationnalisation de solutions de machine learning en production. Le rôle se situe à l’interface entre la donnée, le software engineering et le MLOps, avec un focus clair sur une implémentation robuste, la reproductibilité, le monitoring, la conformité réglementaire et l’amélioration continue.

Rôle

Le ML Engineer est responsable de la conception, la construction, le déploiement et la maintenance des modèles de machine learning et des ML pipelines au sein de RSVZ. Il/elle veille à ce que les modèles ne soient pas seulement performants en expérimentation, mais également fiables, scalables et gérables en production, tant sur des infrastructures cloud (Azure) qu’on-premise.

Le ML Engineer collabore étroitement avec les data engineers, developers, architectes et business stakeholders, et traduit les cas d’usage ML en implémentations techniques durables, conformes à la réglementation en vigueur (notamment la loi européenne sur l’IA).

Responsabilités principales :

Préparation des données et feature engineering

• Traiter, analyser et préparer des données issues de différentes sources internes et externes.
• Concevoir et implémenter des transformations de données et des processus de feature engineering.
• Veiller à la qualité, la cohérence et la reproductibilité des données au sein des workflows ML.
• Collaborer avec les équipes concernées pour rendre les données disponibles de manière fiable et réutilisable pour les cas d’usage ML.

Développement et validation de modèles

• Concevoir, entraîner, tester et ajuster des modèles de machine learning pour des cas d’usage tels que classification, régression, forecasting, détection ou scoring.
• Sélectionner les techniques et méthodes d’évaluation appropriées en fonction du cas d’usage et du contexte de production.
• Réaliser des expérimentations et des benchmarks de modèles avec une attention particulière pour la qualité, l’explicabilité et la maintenabilité.
• Définir des critères de validation clairs pour les modèles avant leur mise en production.

Opérationnalisation des solutions ML

• Traduire les modèles et expérimentations en services et pipelines prêts pour la production.
• Intégrer les modèles dans des backend services, API ou process batch.
• Mettre en place la gestion de version du code, des configurations, des modèles et des datasets pertinents.
• Contribuer à une approche standardisée et fiable de déploiement pour les solutions ML.

MLOps, monitoring et fiabilité

• Installer et maintenir des ML pipelines, des processus CI/CD et une approche release pour les composants ML.
• Fournir du monitoring pour la performance, la stabilité, la latence, la gestion des erreurs, le datadrift et le modeldrift.
• Développer des mécanismes de retraining et de feedback afin de maintenir les modèles à jour et performants.
• Veiller à la fiabilité, la scalabilité, le contrôle des coûts et la gestion opérationnelle des solutions ML.

Collaboration et partage de connaissances

• Se concerter avec les developers, data engineers, architectes et business stakeholders sur les choix techniques et l’implémentation.
• Contribuer aux bonnes pratiques en matière de ML engineering, testing, deployment et monitoring au sein de RSVZ.
• Documenter les implémentations, les hypothèses et les points d’attention opérationnels.
• Partager la connaissance avec les équipes et contribuer activement à la maturité du ML dans l’organisation.

Comportemental :

• Orienté résultats et pragmatique : capable de transformer des solutions ML en composants de production stables et utilisables.
• Esprit analytique et logique très développé.
• Sens de la qualité, avec attention pour la fiabilité, la maintenabilité et la clarté.
• Prendre ownership des implémentations techniques et proposer proactivement des améliorations.
• Communicatif : sait expliquer clairement les choix techniques tant aux parties prenantes techniques que non techniques.
• Fort en collaboration au sein d’équipes multidisciplinaires.
• Curieux et motivé à appliquer de nouvelles techniques et best practices dans un contexte de production.

Connaissances linguistiques :

• Francophone ou néerlandophone
• Comprendre la deuxième langue nationale

Régime de travail :

Hybride, à savoir deux jours par semaine au bureau et trois jours en télétravail