Contexte de la mission :

Le RSVZ est une organisation dynamique où plus de 150 personnes travaillent au sein du service Informatique. Le RSVZ est un environnement bilingue, avec des parties prenantes francophones et néerlandophones. La culture organisationnelle est informelle. Au sein de l’IT, le cadre Agile SAFe (Scaled Agile Framework) est appliqué et les équipes de développement sont multidisciplinaires.

Au RSVZ, nous souhaitons déployer des solutions de machine learning afin d’optimiser nos processus, d’améliorer le soutien à la décision et de renforcer les services numériques. L’accent est mis sur des solutions ML fiables, évolutives et maintenables, pouvant être intégrées de manière efficace dans les systèmes et flux de données existants, tant dans un environnement Azure que sur site.

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

Rôle

Le ML Engineer est responsable de la conception, du développement, du déploiement et de la maintenance de modèles de machine learning et de ML-pipelines au sein du RSVZ. Il/elle veille à ce que les modèles ne soient pas seulement performants en phase d’expérimentation, mais qu’ils fonctionnent également de manière fiable, évolutive et gérable en production, tant sur des infrastructures cloud (Azure) que on-premise.

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

Principales responsabilités :

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.
• Garantir 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 des modèles

• Concevoir, entraîner, tester et tuner des modèles de machine learning pour des cas tels que la classification, la régression, la prévision, la détection ou le scoring.
• Sélectionner les techniques et méthodes d’évaluation adéquates en fonction du cas d’usage et du contexte de production.
• Mener des expérimentations et benchmarker les modèles avec attention portée à 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 processus batch.
• Implémenter la gestion de version pour le code, la configuration, les modèles et les datasets concernés.
• Contribuer à une approche standardisée et fiable de déploiement des solutions ML.

MLOps, monitoring et fiabilité

• Mettre en place et maintenir des ML-pipelines, des processus CI/CD et des méthodes de release pour les composants ML.
• Fournir un 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 pour maintenir les modèles à jour et performants.
• Veiller à la fiabilité, à l’évolutivité, au contrôle des coûts et à la gestion opérationnelle des solutions ML.

Collaboration et partage de connaissances

• S’aligner avec les developers, data engineers, architectes et business stakeholders sur les choix techniques et leur implémentation.
• Contribuer aux bonnes pratiques en matière de ML-engineering, testing, deployment et monitoring au sein du RSVZ.
• Documenter les implémentations, hypothèses et points d’attention opérationnels.
• Partager ses connaissances 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 prononcé.
• Sens de la qualité, avec attention portée à la fiabilité, la maintenabilité et la clarté.
• Capacité à prendre ownership des implémentations techniques et à proposer des améliorations de façon proactive.
• Bon communicant : sait expliquer clairement les choix techniques aux parties prenantes techniques et non techniques.
• Compétences avérées de collaboration au sein d’équipes multidisciplinaires.
• Curieux et motivé à appliquer de nouvelles techniques et best practices dans un contexte de production.

Connaissance des langues :

• Francophone ou néerlandophone
• Compréhension de la deuxième langue nationale

Régime de travail :

Hybride, à savoir 2 jours par semaine au bureau et 3 jours en télétravail