Principales responsabilités Ingénierie de l’apprentissage machine (ML) en production: Collaborer avec les équipes de science des données, les développeurs, développeuses et architectes de plateforme et d’autres équipes pour opérationnaliser les modèles d’apprentissage machine (ML), les flux de travail des grands modèles de langage (LLM) ou agentiques, et l’analytique avancée. MLOps et gestion du cycle de vie : Gérer le cycle de vie complet de l'apprentissage automatique (ingénierie des fonctionnalités, formation, évaluation, déploiement).

Appliquer les meilleures pratiques MLOps, y compris l'intégration et le déploiement continus (CI/CD), le versionnement des modèles, la reproductibilité et les contrôles de déploiement.

Conception de pipelines et d'architectures: Construire des pipelines de diffusion en continu en temps réel à l'aide d'Apache Beam/Dataflow et concevoir des architectures événementielles robustes (modèles Kafka/Pub

Sub).

Concevoir et créer des architectures de système à haut débit et à faible latence avec une idempotence et une déduplication strictes. API et prestation de services: Diriger la conception des API et des schémas pour les services complexes compatibles avec l'apprentissage automatique.

Qualité et fiabilité : Inculquer un solide état d’esprit axé sur les tests et la qualité à l’ensemble de l’équipe (développement piloté par les tests, tests unitaires/d’intégration, révisions de code, vérifications de sécurité). Déboguer et optimiser les systèmes distribués pour une performance maximale.

Gestion des infrastructures: Mettre en œuvre l'infrastructure en tant que code (Terraform/CDKTF) pour gérer les déploiements évolutifs et natifs du cloud.

Qualifications essentielles Baccalauréat ou diplôme supérieur en informatique, en génie informatique ou dans un domaine connexe.





Une expérience pertinente peut être considérée à la place d'un diplôme.

Plus de 5 ans d'expérience professionnelle en génie logiciel, spécifiquement axée sur les systèmes d'IA/ML de qualité production.

Maîtrise de niveau expert en ingénierie logicielle Python.

Solide expérience avec la pile GCP (Vertex AI, Big

Query, Spanner, GKE, GCS, Pub/Sub).

Connaissance pratique approfondie des meilleures pratiques MLOps et de la mise en production de modèles, du concept à des services de production hautement disponibles.

Expérience pratique du traitement des données en temps réel (Apache Beam, Dataflow) et de l’architecture événementielle (Kafka, Pub

Sub).

Capacité avérée en matière d'infrastructures en tant que code (Terraform/CDKTF) et d'orchestration infonuagique (Kubernetes).

Solide discipline de test de logiciels et d’assurance de la qualité (tests unitaires, d’intégration, de bout en bout et fonctionnels, revue de code, vérifications de sécurité) Expérience pratique des cadres d’apprentissage machine (ML) comme PyTorch, scikit-learn, XGBoost ou Tensor

Flow.

Expérience avec les bases de données orientées graphe / Spanner Graph et les réseaux de neurones graphiques (GNN) Solides compétences en communication, en analyse, en débogage et en collaboration interfonctionnelle.

Capacité à écrire du code propre, efficace et réutilisable.

De plus, si vous avez de l’expérience avec les moteurs de requêtes distribués/fédérés tels que Trino.

Qualifications souhaitées Expérience du secteur des télécommunications en matière de données et d’architecture de réseau.

Diplômes ou certificats postsecondaires en statistique, en mathématiques et en science des données.

Expérience du déploiement de flux de travail agentiques sécurisés avec gestion des coûts et traçabilité des décisions.

Une connaissance adéquate du français est exigée pour les postes au Québec.

📌 Dév. princ., ingénierie appr. auto. I (Toronto)
🏢 Bell
📍 Toronto