🎯 Mission

Nous recherchons un Data Engineer senior pour optimiser, fiabiliser et industrialiser les pipelines de données qui alimentent nos produits IA. Ton rôle est clé : tu garantis la qualité, la disponibilité et la performance des données utilisées au quotidien par les équipes IA, Produit et DevOps.

🛠 Responsabilités

• Concevoir, développer et maintenir des pipelines de données robustes, automatisés et scalables.

• Assurer la qualité, la sécurité et la fiabilité des données sur tout leur cycle de vie.

• Définir et maintenir une infrastructure as code pour les services liés à la donnée.

• Construire et maintenir des dashboards, outils de monitoring et rapports destinés aux équipes internes.

• Collaborer étroitement avec les équipes Data Science, DevOps et Produit pour garantir la cohérence et la valorisation des données.

• Surveiller et optimiser les performances via des outils d’observabilité (Datadog, Grafana, Prometheus).

✅ Profil recherché

Compétences techniques

• Bac+5 ou équivalent en informatique, data engineering ou IA.

• 5+ ans d’expérience en Data Engineering, idéalement en environnement cloud/IA.

• Excellente maîtrise de Python et des bonnes pratiques de développement (tests, versioning, packaging).

• Très bonne connaissance des bases SQL et NoSQL (PostgreSQL, DynamoDB).

• Expérience solide sur l’automatisation des workflows (Airflow, GitHub Actions, GitLab CI/CD).

• Maîtrise des concepts MLOps, intégration des données dans les workflows ML, monitoring et déploiement.

• Compétences cloud sur AWS ou GCP (S3, Lambda, RDS, Step Functions).

• Connaissance de Docker et des environnements de conteneurisation.

Soft skills

• Rigueur technique et souci constant de qualité.

• Autonomie forte et capacité à prendre en charge un périmètre large.

• Communication claire, structurée, orientée collaboration.

• Capacité à travailler avec des équipes pluridisciplinaires.

• Esprit analytique et sens du détail.

⭐ Ce qui fera la différence

• Expérience démontrée sur des pipelines critiques en production.

• Pratique avancée de l’observabilité data (logs, métriques, alerting).

• Contributions open-source dans l’écosystème data/ML.

• Proactivité dans l’amélioration continue des workflows et environnements data.

• Sensibilité à l’impact environnemental ou sociétal des technologies.

🧰 Stack technique

• Langages : Python

• Bases de données : PostgreSQL, DynamoDB

• Pipelines : GitHub Actions

• Cloud : AWS (S3, Lambda, RDS, Step Functions), GCP

• Conteneurisation : Docker

• Observabilité : Datadog, Grafana, Prometheus

• MLOps : MLflow, SageMaker