Data Engineer (H/F

Keyrus
Villeurbanne, France
about 1 month ago

Role details

Contract type
Permanent contract
Employment type
Full-time (> 32 hours)
Experience level
Expert
Working hours
Regular working hours
Languages
English
Job source

Tech stack

Java (Programming Language) Artificial Intelligence Airflow BigQuery Databases Extract Transform Load (ETL) Python (Programming Language) Rapid Prototyping Process Raw Data SQL Databases Snowflake Apache Spark
+4 more
Generative AI Apache Kafka Streamlit Framework Databricks

Job description

Le Data Engineer prĂ©pare et fiabilise la donnĂ©e qui alimente les systĂšmes intelligents : pipelines robustes, plateformes data modernes, exposition de la donnĂ©e aux agents autant qu’aux tableaux de bord. Sans donnĂ©e prĂȘte et gouvernĂ©e, aucun systĂšme d’IA ne tient en production., * Vous concevez et industrialisez des pipelines de donnĂ©es robustes, de la donnĂ©e brute jusqu’à son exploitation par les applications et les agents.

  • Vous dĂ©ployez et exploitez des plateformes data modernes (lakehouse, entrepĂŽts cloud) pour rendre la donnĂ©e accessible, gouvernĂ©e et performante Ă  l’échelle.
  • Vous rendez la donnĂ©e exploitable par des systĂšmes d’IA gĂ©nĂ©rative et agentique (Anthropic, OpenAI, Mistral, Google Gemini, etc.) : structuration pour le RAG, alimentation de bases vectorielles, prĂ©paration de jeux de donnĂ©es pour l’évaluation de modĂšles.
  • Vous garantissez la qualitĂ©, la fraĂźcheur et la traçabilitĂ© de la donnĂ©e par des tests et des contrats de donnĂ©es, pas seulement par une supervision manuelle.
  • Vous transformez rapidement une maquette en preuve de concept exploitable, pour valider un cas d’usage avant d’industrialiser le pipeline dĂ©finitif.
  • Vous mettez en place la restitution (BI, tableaux de bord) lorsque le cas d’usage l’exige, en complĂ©ment de l’exposition de la donnĂ©e aux agents., * Transformation de donnĂ©es industrialisĂ©e avec dbt.
  • DĂ©ploiement et exploitation de plateformes data cloud (Snowflake, BigQuery, Databricks).
  • Conception d’architectures de streaming et de traitement de donnĂ©es en temps rĂ©el (Kafka), lorsque le cas d’usage l’exige.
  • Utilisation de bases de donnĂ©es vectorielles pour des cas d’usage RAG (Pinecone, Milvus, Chroma, ou Ă©quivalent).
  • ComprĂ©hension pratique du prompting et de la prĂ©paration de jeux de donnĂ©es pour l’évaluation de modĂšles de langage (Anthropic, OpenAI, Mistral, Google Gemini, etc.).
  • Mise en place de tests et de contrats de donnĂ©es pour garantir la qualitĂ© et l’observabilitĂ© de la donnĂ©e.
  • ModĂ©lisation et prĂ©paration de donnĂ©es pour des usages analytiques et opĂ©rationnels.
  • Prototypage rapide Ă  l’aide d’outils lĂ©gers (Streamlit) pour transformer une maquette en preuve de concept exploitable.
  • Production, documentation et transmission des pipelines, pour qu’ils restent exploitables au-delĂ  de votre prĂ©sence.

Requirements

Le socle Architect of Intelligence : des qualités indispensables, présentes dans les critÚres ci-dessous : curiosité, créativité, communication, conscience professionnelle, culture, capacité à faire.

Expérience et parcours

  • Une expĂ©rience significative de conception et d’industrialisation de pipelines de donnĂ©es en production, quel que soit votre point de dĂ©part : ESN, Ă©diteur, startup, ou client final.
  • Une pratique avĂ©rĂ©e des plateformes data modernes (cloud ou lakehouse), au-delĂ  de l’ETL traditionnel.
  • Une expĂ©rience, si possible, de prĂ©paration de donnĂ©es au service de systĂšmes d’IA gĂ©nĂ©rative ou agentique.

Posture et savoir-ĂȘtre

  • Une rigueur d’ingĂ©nierie sur la qualitĂ© et la fiabilitĂ© de la donnĂ©e : une donnĂ©e non fiable invalide tout ce qui est construit au-dessus.
  • Une curiositĂ© pour les usages permis par la donnĂ©e que vous prĂ©parez, au-delĂ  du pipeline lui-mĂȘme.
  • Une capacitĂ© Ă  collaborer avec l’AI Engineer et le Foundations Architect sur l’exposition de la donnĂ©e aux modĂšles et aux agents.
  • Une autonomie rĂ©elle pour transformer un besoin encore mal dĂ©fini en preuve de concept exploitable.
  • Une capacitĂ© Ă  produire, documenter et transmettre les pipelines que vous construisez, pour qu’ils restent exploitables au-delĂ  de votre prĂ©sence sur la mission.

Compétences techniques indispensables

  • MaĂźtrise avancĂ©e de SQL, socle non nĂ©gociable quel que soit le langage dominant.
  • MaĂźtrise d’un langage de pipeline en profondeur : Python en prioritĂ©, Java ou Scala selon l’écosystĂšme (Spark, Kafka).
  • Mise en Ɠuvre de traitements distribuĂ©s avec Apache Spark.
  • Orchestration de pipelines de donnĂ©es avec Airflow ou Dagster., * Anglais professionnel courant, Ă  l’écrit comme Ă  l’oral, indispensable quel que soit le niveau d’expĂ©rience.

Ce qui nous anime

Intelligence Collective

La collaboration entre expertises, mĂ©tiers et gĂ©ographies nous permet de combiner les savoir-faire et d’apporter des rĂ©ponses plus complĂštes aux dĂ©fis de nos clients. FiabilitĂ©

Notre capacitĂ© Ă  dĂ©livrer des projets complexes avec rigueur et exigence constitue l’un des fondements de la relation de confiance que nous construisons avec nos clients. Pragmatisme

Nous privilĂ©gions l’impact concret et la crĂ©ation de valeur mesurable plutĂŽt que les discours technologiques abstraits. Esprit Entrepreneurial

La curiositĂ©, l’énergie et l’autonomie sont au cƓur de notre culture. Elles favorisent l’initiative, l’innovation et le dĂ©veloppement continu de nos expertises.

About the company

Keyrus est un groupe international de 2 800 consultants et experts prĂ©sents dans 28 pays, portĂ© par une conviction forte : ce n’est pas l’intelligence artificielle qui transforme les entreprises, mais l’intelligence conçue, structurĂ©e et intĂ©grĂ©e Ă  leur fonctionnement.

Depuis plus de 30 ans, nous construisons les fondations data qui permettent aux systĂšmes intelligents de crĂ©er de la valeur. Nous concevons le systĂšme d’exploitation de l’entreprise intelligente, oĂč la donnĂ©e, l’IA et l’expertise humaine s’intĂšgrent au cƓur des processus mĂ©tiers pour gĂ©nĂ©rer une performance durable. Chez Keyrus, nous donnons vie Ă  l’intelligence opĂ©rationnelle.

L’intelligence artificielle ne remplace pas l’humain. Elle lui permet de se concentrer sur ce qu’aucun systĂšme ne peut reproduire : comprendre, dĂ©cider, concevoir et innover. Rejoindre Keyrus, c’est construire son jugement, son expertise et sa capacitĂ© Ă  rĂ©soudre des problĂ©matiques complexes.

La technologie est un accĂ©lĂ©rateur. La culture Keyrus fait la diffĂ©rence. L’excellence opĂ©rationnelle permet de relier les deux.

Data Engineer, Chez Keyrus, nous accompagnons les organisations dans leur passage d’une IA expĂ©rimentale Ă  une IA industrialisĂ©e, d’agents isolĂ©s Ă  des systĂšmes orchestrĂ©s, et de l’analyse Ă  l’exĂ©cution. C’est cette expertise que nous appelons l’Architecture de l’Intelligence.

GrĂące Ă  notre modĂšle propriĂ©taire Human Orchestrated Model (HOM), nous concevons des environnements intelligents reposant sur trois piliers fondamentaux : des fondations data et intelligence robustes et fiables ; une gouvernance garantissant que l’humain reste au cƓur de la dĂ©cision ; des mĂ©canismes de pilotage de la performance permettant une amĂ©lioration continue., Fort de plus de 30 ans d’expertise et de 2 800 collaborateurs rĂ©partis dans 28 pays, Keyrus accompagne les entreprises bien au-delĂ  de leur transformation.

Apply for this position

This job is hosted externally. Click below to view the full posting and apply.

Apply on fr.indeed.com

Good distractions

Talks and stories from around this role — technically off-topic, practically not.

4:09 min

Challenges of interpreting raw data with language models

Clemens Vasters Clemens Vasters · WWC 2025

2:30 min

Leveraging BigQuery ML for scalable SQL-based segmentation experiments

Julian Joseph · LIVE

2:15 min

Empowering domain teams with an open data platform

Sandhya Menon Sandhya Menon · WWC Europe 2026

1:34 min

Bringing diverse skills to industrial data science roles

Katja TrÀumner

2:09 min

Uncovering hidden coordinate manipulation communities in binary data

Nolan Royalty · Coffee With Developers

3:27 min

Explaining query execution overhead and caching limitations in BigQuery

Adnan Rahic · JS Congress

Videos

See all

Related articles

See all