Hybrid Senior MLOps Engineer: Scalable ML Pipelines

Location: Montreal

Présentation de l’entreprise
Jesta I.S. développe des technologies d’entreprise pour le commerce de détail, utilisées par des marques de vêtements et de chaussures ayant des opérations complexes et réparties sur plusieurs sites. Notre environnement de données englobe des plateformes ERP et infonuagiques, et notre culture d’ingénierie est pratique, pragmatique et dynamique.
Vous travaillerez dans un environnement de production intégrant Oracle, Snowflake, AWS et Azure, soutenu par des normes de sécurité rigoureuses, des pratiques modernes de CI/CD et une collaboration étroite entre les équipes de science des données, d’ingénierie, de développement frontend et de produit.
Le rôle
Nous sommes à la recherche d'un
· e  développeur
· euse MLOps senior  pour concevoir, développer et maintenir les pipelines de données et d'apprentissage automatique qui alimentent nos plateformes d'IA et d'analytique.
Il s'agit d'un rôle d'ingénierie très pratique couvrant l'ensemble du cycle de vie du ML, de l'ingestion et de la transformation des données à l'entraînement, au déploiement, à la surveillance, au réentraînement et au retour à une version antérieure. Vous ferez le lien entre l'ingénierie des données, l'automatisation ML, l'infrastructure, l'observabilité et le déploiement applicatif afin de contribuer à bâtir une infrastructure d'IA évolutive, sécurisée et multi-locataires, avec un fort accent sur la fiabilité, la performance et l'optimisation des coûts.

Vous bénéficierez d'une réelle autonomie, d'un impact réel en production et de la liberté de bien faire les choses.
Ce que vous ferez
Concevoir et automatiser des pipelines ML pour la préparation des données, l'entraînement, l'inférence, la surveillance et le réentraînement.
Développer des flux de données de production entre les environnements Oracle ERP, Snowflake, AWS et Azure.
Créer des pipelines Kedro réutilisables et gérer des charges de travail évolutives avec AWS Batch, EKS, Karpenter, Kueue et Fargate.
Mettre en œuvre avec MLflow le suivi des expériences, le versionnage des modèles, la lignée des données, les contrôles de qualité, la promotion par étapes et le rollback.
Produire des manifestes d'exécution reproductibles, valider la complétude des prédictions et permettre la reprise sécuritaire des traitements partiels.
Provisionner une infrastructure infonuagique sécurisée et multi-locataires à l'aide de Terraform ou Open Tofu.
Mettre en œuvre des workflows CI/CD avec Azure Dev Ops et Git Hub Actions, incluant les tests, l'analyse, les images immuables et les stratégies de rollback.
Développer l'observabilité des exécutions, notamment leur succès, leur complétude, leur fraîcheur, leur durée, la dérive, les défaillances et les coûts d'infrastructure.
Maintenir des environnements Dockerisés et natifs Kubernetes avec ECR et EKS, en assurant un dimensionnement approprié des ressources de calcul et de mémoire.
Déployer des applications ML sécurisées en React et Python sur AWS et Azure à l'aide de réseaux privés, MFA, RBAC, chiffrement et accès à privilèges minimaux.
Collaborer avec les équipes de science des données et les parties prenantes produit afin d'industrialiser les modèles, d'améliorer les performances et de résoudre les enjeux de fiabilité.
Notre environnement technique
Ingénierie des données :  AWS DMS, Athena, Snowflake, Oracle
Pipelines et orchestration :  Kedro, Event Bridge, AWS Batch, Amazon EKS, Karpenter, Kueue, Fargate
Infrastructure et observabilité :  Terraform/Open Tofu, Cloud Watch, Prometheus, Grafana, journalisation structurée, surveillance de la dérive
Cloud et déploiement :  AWS (EC2, S3, RDS, Batch, EKS, Fargate, ECR, Event Bridge, Lambda), intégration Azure et déploiement parallèle
Sécurité :  AWS IAM, Cognito, RBAC, MFA, Secrets…