Vous rejoignez une équipe qui construit et opère des flux de données industriels alimentant des applications métiers pour le secteur public, en particulier les collectivités et territoires.
Ci après des exemples concrets dans la Smart-City :

• Optimisation des consommations énergétiques des bâtiments à l’échelle du territoire,

• Récupérations des données des capteurs IoT pour fournir des services de propreté urbaine,

• Construction de jeux de données permettant de faire des études démographiques,

Selon les projets, vous pourrez contribuer ponctuellement à l’industrialisation de briques IA (NLP/LLM notamment), mais ce n’est pas le cœur du rôle.

La diversité de nos clients et de leurs besoins implique des projets très variés : nouvelles sources, contraintes et patterns d’intégration.

Ce qu’on fait au quotidien dans ce rôle

• Ateliers avec les clients/équipes métier pour vérifier qu’on a les bonnes données, au bon niveau de qualité, pour répondre au besoin.

• Récupération de données transverses depuis des sources variées (dont IoT).

• Standardisation et structuration orientées “produit” en coordination avec les équipes dev.

• Mise en place de règles de qualité, de monitoring et d’alerting sur les flux ETL.

• Investigation d’incidents (volumétrie, latence, ruptures de qualité), durcissement des pipelines.

Stack & environnement

• ETL / orchestration : Flyte

• Backend / services : Python, FastAPI

• Déploiement : Docker, Kubernetes (clusters on-prem managés)

• Observabilité : Prometheus, Grafana

• CI/CD : GitLab CI

• Standards (selon projets IoT) : FIWARE / NGSI-LD

• Packaging Python : librairies internes réutilisables (wrappers, modèles, utilitaires)

Indispensable

• Très bon niveau en Python (qualité logicielle, tests, packaging).

• À l’aise avec Docker + les bases Kubernetes (déploiement, logs, debug).

• Sensibilité “prod” : monitoring / alerting, analyse d’incidents, rigueur sur la qualité des flux.

Un plus

• Orchestrateurs (Flyte, Airflow, Dagster, Prefect…).

• IoT / messaging (MQTT/AMQP)

• Standards FIWARE/NGSI-LD.

• Notions MLOps/ML engineering (mise en prod, suivi, évaluation simple).

• Connaissances GPU (nice-to-have, non requis).

Ce qu’on attend de vous

Logiquement, nous attendons une forte appétence en data engineering : ingestion, transformations, fiabilisation, gestion d’erreurs, rejouabilité. Cependant, voici d’autres critères que nous recherchons au sein des profils :

• Esprit critique, autonomie, sens du concret.

• Rigueur sur la qualité de données et la robustesse en production.

• Curiosité et envie de faire évoluer l’outillage / les pratiques DataOps

Le processus de recrutement comprend :

• Un échange visio ou en physique avec deux membres de l’équipe pour évaluer l’adéquation entre vos aspirations et le rôle.

• Un entretien technique live sur une problématique concrète, inspirée de nos contextes métier (~1h).

• Un cas d’étude à préparer en autonomie (~1 semaine), suivi d’une restitution devant plusieurs membres de l’équipe (~1h).