> Markdown version of [/jobs/ext/4665863-mlops-engineer-h-f](https://www.wearedevelopers.com/jobs/ext/4665863-mlops-engineer-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 H/F

- **Company:** Size Up Consulting
- **Location:** Lille, France
- **Experience:** Experienced
- **Contract:** Contract
- **Skills:** Airflow, Amazon Web Services, Cloud Computing, Continuous Integration, DevOps, Github, Python (Programming Language), Machine Learning, Azure Machine Learning, Delivery Pipeline, Git, Kubernetes, Machine Learning Operations, Terraform, Docker, Databricks
- **Published:** November 11, 2026
- **Apply:** https://www.hellowork.com/fr-fr/emplois/85366849.html

## About the Role

Minimum 3 ans d'expérience sur des problématiques MLOps, ML Platform Engineering ou DevOps appliqué au Machine Learning.

 - Expérience réelle de mise en production de modèles ML.
 - Très bonne maîtrise de Python.
 - Solide expérience Cloud sur AWS et/ou GCP.
 - Maîtrise de Terraform, Docker et Kubernetes.
 - Expérience de MLflow et de la gestion du cycle de vie des modèles.
 - Bonne compréhension des problématiques de monitoring, performance et scalabilité des modèles en production.
 - Une expérience Databricks, Airflow, Feature Store ou infrastructures GPU constitue un réel atout.
 - Anglais professionnel requis., AWS
Git
Kubernetes
Python
Terraform
Monitoring
Docker

## Description

Dans le cadre du développement d'une Data Factory, nous recherchons un Senior MLOps Engineer pour renforcer l'industrialisation, le déploiement et l'exploitation de modèles Machine Learning à grande échelle.

Le consultant interviendra sur des environnements Cloud AWS et GCP et contribuera à la construction et à l'évolution d'une plateforme MLOps utilisée par les équipes Data Science et Machine Learning., Concevoir et industrialiser des pipelines MLOps de bout en bout.

 - Automatiser les phases de training, validation, déploiement et continuous training.
 - Déployer et exploiter des modèles Machine Learning en production.
 - Gérer le cycle de vie des modèles avec MLflow, Model Registry et les outils associés.
 - Construire et maintenir les infrastructures nécessaires aux workloads ML et GPU.
 - Déployer et administrer les environnements conteneurisés avec Docker et Kubernetes.
 - Automatiser le provisioning des infrastructures avec Terraform.
 - Mettre en place les pipelines CI/CD dédiés aux workloads ML.
 - Contribuer au monitoring des modèles, à la détection de drift et à l'observabilité des plateformes.
 - Optimiser les performances, la scalabilité et les coûts des infrastructures ML.
 - Accompagner les Data Scientists et ML Engineers dans l'industrialisation de leurs modèles.
 - Participer à la documentation, aux bonnes pratiques et à l'amélioration continue de la plateforme.

Environnement technique

 - AWS et GCP
 - Python
 - Terraform
 - Docker
 - Kubernetes
 - MLflow
 - Model Registry
 - Databricks
 - Airflow
 - GitHub Actions / CI/CD
 - GPU infrastructure et autoscaling
 - Monitoring et drift detection