Consultant.e Senior AI/Machine Learning AWS H/F

👉🏻 Missions

• Supporter le processus de développement machine learning de bout en bout pour concevoir, créer et gérer des logiciels reproductibles, testables et évolutifs,

• Travailler sur la mise en place et l’utilisation de plateformes ML/IA/MLOps (telles que AWS SageMaker, Kubeflow, AWS Bedrock, AWS Titan),

• Apporter à nos clients des best practices en termes d’organisation, de développement, d’automatisation, de monitoring, de sécurité,

• Expliquer et appliquer les best practices pour l’automatisation, le testing, le versioning, la reproductibilité et le monitoring de la solution IA déployée,

• Encadrer et superviser les consultant(es) juniors i.e., peer code review, application des best practices,

• Accompagner notre équipe commerciale sur la rédaction de propositions et des réunions d’avant-vente,

• Participer au développement de notre communauté interne (REX, workshops, articles, hackerspace,

• Participer au recrutement de nos futurs talents.

👉🏻 Évoluer au sein de la communauté

Évoluer au sein de la Squad AI/ML, c’est être acteur dans la création d’un environnement stimulant dans lequel les consultant·e·s ne cessent de se tirer vers le haut, aussi bien en ce qui concerne les compétences techniques que les soft-skills. Mais ce n’est pas tout, c’est aussi des événements réguliers et des conversations slacks dédiées vous permettant de solliciter les communautés (Data, AI/ML, DevOps, Sécurité,...) dans leur ensemble !

Sur le bassin parisien, la Squad compte une vingtaine personnes, le tout encadré par un Tribe Leader, et 3 Squad Leaders.

A côté de cela,vous avez l’opportunité de participer au développement des différentes communautés internes (REX, workshops, articles, Podcasts…).

👉🏻 Rémunération

La rémunération fixe proposée pour le poste est en fonction de votre expérience et dans une fourchette de 52k à 59k.

👉🏻 Compétences techniques Required :

• Parler couramment Python, PySpark ou Scala Spark. Scikit-learn, MLlib, Tensorflow, Keras, PyTorch, LightGBM, XGBoost, Scikit-Learn et Spark (pour ne citer qu’eux),

• Savoir implémenter des architectures de Containerisation (Docker / Containerd) et les environnements en Serverless et micro services utilisant Lambda, ECS, Kubernetes,

• Parfaitement opérationnel pour mettre en place des environnements DevOps et Infra As Code, et pratiquer les outils de MLOps,

• Une bonne partie des outils Git, GitLab CI, Jenkins, Ansible, Terraform, Kubernetes, ML Flow, Airflow ou leurs équivalents dans les environnements Cloud doivent faire partie de votre quotidien.,