> Markdown version of [/jobs/ext/2786480-mlops-engineer-cdi-h-f](https://www.wearedevelopers.com/jobs/ext/2786480-mlops-engineer-cdi-h-f). Every page supports `.md` or `Accept: text/markdown`. Links point to the HTML versions so they work for humans too. Agent guide: [/agents.md](https://www.wearedevelopers.com/agents.md).

---

# MLOps Engineer - CDI H/F

- **Company:** Monetaryamount
- **Location:** France
- **Experience:** Expert
- **Salary:** €45,000.0 - €55,000.0
- **Contract:** Permanent contract
- **Skills:** Application Programming Interfaces (APIs), Artificial Intelligence, Airflow, Amazon Web Services, Cloud Computing, Databases, Continuous Integration, DevOps, Github, Python (Programming Language), Machine Learning, Ansible, Tensorflow, Software Engineering, Management of Software Versions, Google Cloud, Pytorch, Delivery Pipeline, Large Language Models, Apache Spark, Generative AI, Git, Pyspark, Kubernetes, Machine Learning Operations, Terraform, Docker, Databricks
- **Published:** September 8, 2026
- **Apply:** https://www.hellowork.com/fr-fr/emplois/83121203.html

## About the Role

Profil recherchéEn 1er, un savoir-être en phase avec notre culture :Tu es autonome et capable de prendre en charge des sujets de bout en bout.Tu es pragmatique et tu sais concevoir des solutions simples, robustes et maintenables.Tu sais prendre du recul et challenger les choix techniques.Tu apprécies travailler avec des profils Data, Tech et métier.Tu communiques avec clarté et sais vulgariser des problématiques techniques complexes.Tu es curieux(se) et tu effectues une veille régulière sur les technologies MLOps, Cloud et Machine Learning.Tu apprécies le partage de connaissances et le travail en équipe.En 2nd, un bagage technique solide :Une expérience de 3 à 5 ans en MLOps, ML Engineering, DevOps ou Platform Engineering appliqué au Machine Learning, hors stages et alternances.Une bonne maîtrise du cycle de vie complet des modèles Machine Learning, de l'expérimentation jusqu'à la production.Une très bonne maîtrise de Python et de son
écosystème.Une expérience significative avec Kubernetes et Docker.Une bonne maîtrise des environnements Cloud, notamment AWS et GCP.Une expérience avec MLflow, Model Registry et les outils de gestion du cycle de vie des modèles.Une bonne maîtrise des pratiques CI/CD, de Git et de GitHub Actions.Une expérience avec Terraform et l'Infrastructure as Code.Une bonne connaissance de Databricks, Spark / PySpark et Airflow.Une expérience dans l'industrialisation et le déploiement de modèles ML en production.Une bonne compréhension des architectures distribuées et des problématiques de scalabilité.Les petits plus qui feront la différence :Une expérience avec des environnements GPU et des clusters auto-scalables.Une maîtrise de PyTorch ou TensorFlow.Une expérience avec un Feature Store.Une connaissance des Vector Databases.Une expérience sur des problématiques LLM, IA générative ou RAG.Une expérience dans la conception de systèmes agentiques ou multi-agents.Une
connaissance des problématiques de Model Monitoring, Data Drift et Model Drift.Une maîtrise d'Ansible.Une expérience sur des environnements Data à très grande échelle.Une bonne maîtrise de l'anglais pour évoluer dans des contextes internationaux., En 1er, un savoir-être en phase avec notre culture :

 * Tu es autonome et capable de prendre en charge des sujets de bout en bout.
 * Tu es pragmatique et tu sais concevoir des solutions simples, robustes et maintenables.
 * Tu sais prendre du recul et challenger les choix techniques.
 * Tu apprécies travailler avec des profils Data, Tech et métier.
 * Tu communiques avec clarté et sais vulgariser des problématiques techniques complexes.
 * Tu es curieux(se) et tu effectues une veille régulière sur les technologies MLOps, Cloud et Machine Learning.
 * Tu apprécies le partage de connaissances et le travail en équipe.

En 2nd, un bagage technique solide :

 * Une expérience de 3 à 5 ans en MLOps, ML Engineering, DevOps ou Platform Engineering appliqué au Machine Learning, hors stages et alternances.
 * Une bonne maîtrise du cycle de vie complet des modèles Machine Learning, de l'expérimentation jusqu'à la production.
 * Une très bonne maîtrise de Python et de son écosystème.
 * Une expérience significative avec Kubernetes et Docker.
 * Une bonne maîtrise des environnements Cloud, notamment AWS et GCP.
 * Une expérience avec MLflow, Model Registry et les outils de gestion du cycle de vie des modèles.
 * Une bonne maîtrise des pratiques CI/CD, de Git et de GitHub Actions.
 * Une expérience avec Terraform et l'Infrastructure as Code.
 * Une bonne connaissance de Databricks, Spark / PySpark et Airflow.
 * Une expérience dans l'industrialisation et le déploiement de modèles ML en production.
 * Une bonne compréhension des architectures distribuées et des problématiques de scalabilité.

Les petits plus qui feront la différence :

 * Une expérience avec des environnements GPU et des clusters auto-scalables.
 * Une maîtrise de PyTorch ou TensorFlow.
 * Une expérience avec un Feature Store.
 * Une connaissance des Vector Databases.
 * Une expérience sur des problématiques LLM, IA générative ou RAG.
 * Une expérience dans la conception de systèmes agentiques ou multi-agents.
 * Une connaissance des problématiques de Model Monitoring, Data Drift et Model Drift.
 * Une maîtrise d'Ansible.
 * Une expérience sur des environnements Data à très grande échelle.
 * Une bonne maîtrise de l'anglais pour évoluer dans des contextes internationaux.

EUR

Ansible
Machine learning
Cluster
Anglais
Intelligence artificielle
API
Google cloud platform
AWS
Git
Travail en équipe
Kubernetes
Python
Terraform
Monitoring
Docker

## Description

Tu es passionné(e) par le Machine Learning, le Cloud et l'industrialisation des modèles ? Tu aimes transformer des prototypes Data Science en solutions robustes, scalables et prêtes pour la production ?

Tu souhaites intervenir sur des problématiques techniques variées, au croisement du Machine Learning, du Software Engineering, du Cloud et de la Data ?

Rejoins notre Guild Data Discoverii et accompagne nos clients dans la conception et l'industrialisation de plateformes MLOps modernes., Industrialiser les modèles Machine Learning : automatiser les différentes étapes du cycle de vie des modèles, de l'entraînement à la mise en production.

 - Concevoir des pipelines MLOps : mettre en place des workflows fiables pour l'entraînement, la validation, l'évaluation et le déploiement des modèles.
 - Automatiser les déploiements : concevoir et maintenir des pipelines CI/CD/CT permettant de déployer les modèles et leurs évolutions de manière fiable et reproductible.
 - Construire les infrastructures ML : concevoir et administrer des environnements Cloud adaptés aux besoins d'entraînement et d'inférence.
 - Orchestrer les workloads ML : déployer et maintenir des environnements conteneurisés avec Docker et Kubernetes, y compris pour des workloads nécessitant des ressources GPU.
 - Gérer le cycle de vie des modèles : mettre en place et administrer des solutions de tracking, de versioning et de Model Registry avec notamment MLflow.
 - Automatiser l'infrastructure : déployer et faire évoluer les environnements Cloud grâce à Terraform et aux pratiques d'Infrastructure as Code.
 - Intégrer les environnements Data : travailler avec Databricks, Spark / PySpark et Airflow pour construire des pipelines Data & ML robustes.
 - Mettre en place l'observabilité : suivre la qualité des données, les performances des modèles et détecter les éventuelles dérives en production.
 - Développer et industrialiser les APIs : exposer les modèles et services Machine Learning dans des environnements de production.
 - Accompagner les équipes Data : collaborer avec les Data Scientists et ML Engineers pour faciliter l'industrialisation de leurs modèles et promouvoir les bonnes pratiques MLOps.
 - Garantir la qualité et la sécurité : appliquer les bonnes pratiques de Software Engineering, de CI/CD, de tests, de documentation et de gestion des environnements.


## Related Videos

- [How a Small Team Shrank a Microsoft Monorepo by 94%](https://www.wearedevelopers.com/videos/1236-how-a-small-team-shrank-a-microsoft-monorepo-by-94)
- [From DevOps to Scaled DevOps: How We’re Rebuilding Continuous Delivery as a Platform](https://www.wearedevelopers.com/videos/100018-from-devops-to-scaled-devops-how-we-re-rebuilding-continuous-delivery-as-a-platform)
- [Innovating Developer Tools with AI: Insights from GitHub Next](https://www.wearedevelopers.com/videos/1268-innovating-developer-tools-with-ai-insights-from-github-next)
- [Effective Machine Learning - Managing Complexity with MLOps](https://www.wearedevelopers.com/videos/185-effective-machine-learning-managing-complexity-with-mlops)
- [Git for Code Reviews](https://www.wearedevelopers.com/videos/429-git-for-code-reviews)
- [DevOps for Machine Learning](https://www.wearedevelopers.com/videos/179-devops-for-machine-learning)

## Related Articles

- [MLops – Deploying, Maintaining And Evolving Machine Learning Models in Production](https://www.wearedevelopers.com/magazine/115-mlops-deploying-maintaining-and-evolving-machine-learning-models-in-production)
- [How to Become an AI Engineer](https://www.wearedevelopers.com/magazine/331-how-to-become-an-ai-engineer)
- [Best Companies to Work For in Paris: Top 25 Companies in 2023 ](https://www.wearedevelopers.com/magazine/190-best-companies-to-work-for-in-paris-top-25-companies-in-2023)
- [MLOps – What’s the deal behind it?](https://www.wearedevelopers.com/magazine/125-mlops-what-s-the-deal-behind-it)
- [Why Upskilling And Reskilling is Important For Developers](https://www.wearedevelopers.com/magazine/428-why-upskilling-and-reskilling-is-important-for-developers)
- [Best Companies to Work For in France: Top 25 Companies in 2023 ](https://www.wearedevelopers.com/magazine/189-best-companies-to-work-for-in-france-top-25-companies-in-2023)