> Markdown version of [/jobs/ext/4007055-machine-learning-engineer-databricks-microsoft](https://www.wearedevelopers.com/jobs/ext/4007055-machine-learning-engineer-databricks-microsoft). 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).

---

# Machine Learning Engineer Databricks / Microsoft

- **Company:** Datatorii
- **Location:** Paris, France
- **Experience:** Experienced
- **Contract:** Permanent contract
- **Skills:** Application Programming Interfaces (APIs), Artificial Intelligence, Unit Testing, Microsoft Azure, Code Review, Continuous Delivery, Continuous Integration, Github, Python (Programming Language), Machine Learning, OpenAI, Azure Machine Learning, Search Technologies, Software Engineering, Enterprise Search, Feature Engineering, GitHub Copilot, Retrieval-Augmented Generation, Delivery Pipeline, Large Language Models, Claude Code, Apache Spark, Generative AI, Git, Pandas, AutoML, Data Lakes, AI Platforms, Pyspark, Machine Learning Operations, Serverless Computing, Docker, Databricks
- **Published:** October 29, 2026
- **Apply:** https://www.welcometothejungle.com/fr/companies/datatorii/jobs/machine-learning-engineer-databricks-microsoft_paris

## About the Role

* Expérience significative d'au moins 3 ans dans la data
 * Maîtrise des technologies Microsoft Azure, Azure Databricks
 * Utilisation des coding agents : Claude Code, GitHub Copilot etc….
 * Expérience dans le déploiement et le monitoring de modèles en production
 * Solide expérience en Software Engineering appliqué à la Data / IA : Python, Git, Docker, CI/CD.
 + Maîtrise d'Azure Databricks pour le Machine Learning et l'IA :
o Cycle de vie des modèles avec MLflow : suivi des expériences, Model Registry dans Unity Catalog (versions, alias, lignage), évaluation des modèles.
o Feature Engineering : tables de features dans Unity Catalog, features en ligne pour l'inférence temps réel.
o Mosaic AI Model Serving : déploiement de modèles custom, Foundation Model APIs et modèles externes (Azure OpenAI), AI Gateway (quotas, guardrails, suivi des usages).
o Inférence batch : AI Functions (ai_query), Pandas UDF, Spark.
o IA Générative et agents : Mosaic AI Vector Search, RAG, Agent Framework / Agent Bricks, MLflow Tracing et évaluation des LLM.
o Monitoring : Lakehouse Monitoring et inference tables (dérive des données, qualité des prédictions).
o Entraînement à l'échelle : PySpark, Delta Lake, clusters GPU, entraînement distribué (TorchDistributor, Ray), optimisation des hyperparamètres (Optuna), AutoML.
o Industrialisation : Databricks Asset Bundles, MLOps Stacks, Lakeflow Jobs, Git folders, CI/CD.
o Gouvernance et coûts : Unity Catalog (droits, lignage des modèles et des données), compute serverless, maîtrise des coûts.
o Atout : Databricks Apps pour exposer des applications IA aux métiers.

 + Maîtrise de l'écosystème MLOps Microsoft Azure : Azure Machine Learning (Pipelines, Model Registry, Endpoints), Azure AI Foundry, Azure AI Search, Azure Functions, Azure DevOps.
 + Bonne compréhension des concepts de Machine Learning et des enjeux spécifiques de l'IA Générative (LLMOps, RAG, évaluation des LLM).

## Description

* Industrialiser les modèles de Machine Learning et d'IA Générative : collaborer étroitement avec les Data Scientists pour transformer leurs modèles en produits prêts pour la production.
 * Concevoir et opérer des plateformes MLOps sur Azure Databricks : MLflow (tracking, Model Registry dans Unity Catalog), Feature Engineering, Mosaic AI Model Serving, Lakeflow Jobs, Databricks Asset Bundles.
 * Développer des solutions d'IA Générative sur Databricks : RAG avec Mosaic AI Vector Search, agents avec Agent Framework / Agent Bricks, évaluation et traçabilité avec MLflow.
 * Déployer des solutions ML et GenAI sur l'écosystème Microsoft Azure : Azure Machine Learning (pipelines, registry, endpoints), Azure AI Foundry, Azure OpenAI, Azure AI Search, Azure AI Services, Azure Functions.
 * Concevoir et optimiser des pipelines CI/CD pour l'entraînement, l'évaluation et le déploiement continu des modèles (GitHub Actions, Azure DevOps, Docker).
 * Mettre en place le monitoring des modèles en production : dérive des données et des modèles, qualité des prédictions, latence et coûts.
 * Optimiser les processus d'inférence batch et temps réel pour garantir scalabilité et maîtrise des coûts.
 * Promouvoir les bonnes pratiques de Software Engineering : revues de code, tests unitaires et d'intégration, gestion des dépendances.
 * Participer au cadrage de projets IA : recueil des besoins, définition de l'architecture et de la solution technique, accompagnement des Product Owners et des équipes métiers.
 * Participer à la conception d'offres innovantes autour du MLOps, de l'IA Générative (RAG, agents, LLMOps)… et à leur promotion.