> Markdown version of [/jobs/ext/3809924-data-scientist-mlops-h-f](https://www.wearedevelopers.com/jobs/ext/3809924-data-scientist-mlops-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).

---

# Data Scientist - MLOps H/F

- **Company:** Guarani
- **Location:** Bordeaux, France
- **Experience:** Starter
- **Salary:** €45,000.0 - €65,000.0
- **Contract:** Permanent contract
- **Skills:** Airflow, Amazon Web Services, Microsoft Azure, Cloud Computing, Continuous Integration, Information Engineering, DevOps, Python (Programming Language), Machine Learning, Octopus Deploy, Tensorflow, Management of Software Versions, Google Cloud, Gitlab-ci, Kubernetes, Machine Learning Operations, Docker, Jenkins
- **Published:** October 18, 2026
- **Apply:** https://talentsdici.fr/offre/i_08838a1370b7059627389d699f7ae9cc

## About the Role

Vous justifiez d'une première expérience en MLOps, Data Engineering ou DevOps appliqué à la Data

 - Vous maîtrisez des outils tels que Docker, Kubernetes, MLflow, Airflow, Kubeflow ou TensorFlow Serving
 - Vous avez une bonne connaissance des environnements Cloud (AWS, Azure, GCP)
 - Vous êtes à l'aise avec Python et les outils d'automatisation / CI-CD (GitLab CI, Jenkins, ArgoCD...)
 - Curieux(se) et rigoureux(se), vous aimez travailler en équipe et contribuer à des projets innovants

## Description

Au sein d'une équipe dynamique et passionnée, vous interviendrez sur des projets à forte valeur ajoutée autour de la data et de l'IA.

Vos principales responsabilités seront :

 - Industrialiser et automatiser le déploiement des modèles de machine learning (CI/CD, ML pipelines)
 - Concevoir, maintenir et optimiser les environnements de production dédiés à la Data Science et à l'IA
 - Mettre en place des pipelines MLOps robustes pour l'entraînement, la validation et le déploiement des modèles
 - Collaborer avec les Data Scientists et Data Engineers pour assurer l'intégration fluide des modèles dans les systèmes de production
 - Mettre en oeuvre des outils de monitoring, d'observabilité et de versioning des modèles et des données
 - Garantir la performance, la scalabilité et la fiabilité des solutions mises en production