Machine Learning Engineer

À propos d’Airudi
Pour nous, l'IA n'a de valeur que lorsqu'elle agit sur le réel et résout des problèmes concrets. C'est pourquoi on la déploie là où chaque décision compte : dans les réseaux de santé, les chaînes logistiques internationales, les opérations de transport, les lignes de production et les systèmes de défense.

De la stratégie au produit, on transforme des défis opérationnels critiques en solutions d'IA qui anticipent, optimisent, automatisent et passent à l'action. Des solutions prédictives et agentiques, directement intégrées aux opérations de nos clients, sur plusieurs continents, dans des environnements où la fiabilité n'est pas une option.

Airudi accélère maintenant son passage à l'échelle. On bâtit des produits plus performants, réplicables et capables de transformer durablement les opérations de nos clients. Ce rôle s'inscrit directement dans cette mission.

Le rôle
En tant que ML Engineer chez Airudi, tu conçois, déploies et maintiens les systèmes ML qui propulsent nos produits en santé, en transport et en RH. Ton travail ne s'arrête pas à l'entraînement d'un modèle : il commence quand ce modèle est en production et que ses prédictions influencent les décisions réelles de nos clients.

Dans un environnement où des agents participent au cycle d'expérimentation, d'évaluation et de monitoring, tu spécifies ce qui leur est délégué, supervises leur exécution et valides leurs résultats. Au sein de l'équipe ML/AI, tu travailles en collaboration étroite avec les Data Scientists, les GenAI Developers et l'équipe d'ingénierie logicielle pour livrer des systèmes fiables, observables et alignés sur les priorités produit.

Tu navigues finalement entre les pipelines de données, le développement de modèles, le déploiement et l'exploitation en production selon les besoins des projets, et tu interviens directement auprès des clients pour présenter et défendre tes choix de modélisation.

À propos de toi
Nos clients n'ont pas le luxe d'attendre. On avance par cycles courts, on ajuste souvent, et peu de choses sont figées. Chaque semaine, ton travail a un impact concret : une infirmière qui retrouve du temps de soin, un technicien en usine qui anticipe les défaillances avant qu'elles surviennent. C'est ce qui rend l'intensité facile à porter.

Travailler à notre rythme, c'est composer avec une vraie ambiguïté, des décisions rapides et beaucoup d'ownership. Tu t'épanouiras chez Airudi si :
Tu es débrouillard.e et résilient.e dans l'ambiguïté.
Tu maintiens le rythme semaine après semaine.
Tu apportes une pensée critique et un point de vue réel : tu sais quand un modèle est vraiment prêt pour la production et tu défends cette position sous pression avec des preuves.
Tu penses en systèmes : une décision de modélisation ou d'architecture se répercute sur un pipeline, une plateforme et les décisions des clients qui en dépendent.
Tu mets les outils et agents IA au travail sur les tâches pour lesquelles ils sont bâtis, tu tiens leurs livrables au même standard que les tiens, et tu réserves ton temps aux décisions que seul.e un.e ML Engineer peut prendre.
Tu accueilles le désaccord pour arriver à la bonne réponse, rapidement.

Responsabilités
Modélisation, expérimentation et systèmes ML
Implémenter des pipelines d'expérimentation complets en opérant les workflows agentiques associés : profilage des données, feature engineering, runs, évaluation, documentation dans MLflow et validation humaine
Concevoir et entraîner des modèles ML : prédictifs, de classification et d'optimisation combinatoire ancrée en recherche opérationnelle
Interpréter les résultats expérimentaux avec rigueur scientifique, distinguer les corrélations des relations causales lorsqu'approprié, et expliciter les limites des conclusions avant leur diffusion
Produire des designs de composants ML argumentés dans son périmètre : comparaison d'options, documentation des choix d'architecture et des trade-offs

MLOps et industrialisation
Concevoir et maintenir des pipelines ML bout en bout : ingestion, entraînement, évaluation automatisée, déploiement et rollback, reproductibilité
Déployer et servir les modèles dans un environnement cloud avec contrôle de la latence, du coût par inférence et des stratégies de cache et de batching
Instrumenter les systèmes ML pour un monitoring actionnable : détection de dérive, alertes calibrées et boucles de feedback permettant une intervention humaine avant qu'un incident affecte les clients

Collaboration et capitalisation
Participer aux rencontres de découverte client pour présenter et ajuster la modélisation selon les besoins exprimés.
Collaborer avec les Data Scientists pour structurer les handoffs expérimentation-production, et avec les GenAI Developers lorsque les systèmes ML interagissent avec des composantes IA générative dans le produit
Définir et maintenir les data contracts des systèmes ML : qualité et format des données attendues, garanties de performance et comportements aux limites
Contribuer au AI Playbook d'Airudi et participer aux rituels Airudition pour faire progresser la maturité ML de l'équipe

Ce qu’on recherche
5+ ans d'expérience en machine learning engineering en environnement de production, incluant le déploiement, la surveillance et des pipelines MLOps/CI-CD
Expérience de bout en bout sur au moins un projet ML, de la formulation du problème jusqu'au déploiement
Expérience en livraison de solutions IA en contexte B2B SaaS ou en solutions sur mesure, avec une compréhension des enjeux propres au produit et à la livraison de service
Maîtrise de Python et des frameworks ML (PyTorch, scikit-learn) pour développer et maintenir des pipelines ML de façon autonome dans un cadre établi
Maîtrise des pratiques de modélisation, d'expérimentation et d'évaluation pour produire des résultats reproductibles et des designs d'architecture ML
Maitrise des outils MLOps courants (MLflow, Azure ML, Weights & Biases, Feast, registres de modèles, CI/CD)
Compréhension des enjeux de dérive, de reproduc