États-Unis
B&A
Fetch
Ingénieur MLOps Senior II - Plateforme publicitaire
À distanceÉtats-Unis
United States
PythonSQLKubernetesGoTerraform
Traduction automatique. Consultez l’original.
À PROPOS DU POSTE
Fetch entre dans son ère axée sur l'IA, en développant les systèmes intelligents qui alimentent la personnalisation, la pertinence et le classement sur notre plateforme publicitaire. Ces systèmes aident Fetch à offrir des expériences plus pertinentes, adaptatives et performantes à des millions d'utilisateurs, tout en créant une valeur mesurable pour les annonceurs.
En tant qu'ingénieur MLOps Senior, vous serez responsable de la base opérationnelle qui permet de faire passer les modèles de classement et de recommandation de l'expérimentation à des systèmes de production fiables. Vous collaborerez avec les équipes Data Science, Produit, Plateforme et Ingénierie tout au long du cycle de vie des modèles, incluant l'entraînement reproductible, la validation, le déploiement, le versioning, le monitoring, le réentraînement et la mise hors service.
Il s'agit d'un rôle de leadership technique opérationnel à l'intersection de l'infrastructure ML, de la personnalisation et des systèmes distribués à grande échelle. Vous construirez des pipelines réutilisables, renforcerez l'observabilité et les flux de travail d'apprentissage en temps réel, établirez des normes d'architecture et de fiabilité, et rendrez la santé et la progression des modèles accessibles via un hub de modèles partagé. Votre travail permettra à la plateforme publicitaire de Fetch de devenir plus intelligente, plus rapide et plus réactive aux changements de comportement des utilisateurs au fil du temps.
RESPONSABILITÉS DU POSTE
- Assurer la responsabilité du cycle de vie complet des modèles, de l'expérimentation à la validation, au déploiement, au versioning, au réentraînement, au retour en arrière et à la mise hors service.
- Établir des critères de promotion de modèles clairs, des processus de publication et des chemins de retour en arrière permettant aux équipes de déployer des améliorations en toute confiance.
- Concevoir et construire des pipelines de données ML et d'ingénierie de fonctionnalités évolutifs, incluant la génération de fonctionnalités, les agrégations historiques et la construction de jeux de données d'entraînement, en utilisant Spark/PySpark et des technologies de lakehouse modernes telles que S3 et Apache Iceberg.
- Développer des pipelines de traitement de données incrémentaux et fiables avec prise en charge de la validation de la qualité des données, de la traçabilité, de la précision ponctuelle et de la cohérence des fonctionnalités entre l'entraînement et le service.
- Mettre en place un monitoring pour la qualité des données, la dérive, la qualité des prédictions, la fiabilité du service, la latence et les coûts d'infrastructure.
- Collaborer avec les data scientists pour définir des signaux d'évaluation hors ligne et en production significatifs, y compris pour les cas d'utilisation avec des étiquettes de résultats différées.
- Utiliser les preuves issues de la production pour améliorer les performances des modèles, la fiabilité de la plateforme, la vitesse de déploiement et l'efficacité de l'infrastructure.
- Construire des pipelines d'entraînement, d'évaluation et de déploiement réutilisables qui prennent en charge plusieurs modèles et approches de modélisation.
- Développer des flux d'orchestration fiables couvrant les dépendances, la planification, les tentatives de relance, les backfills et la récupération après échec.
- Traduire les exigences scientifiques en systèmes de production maintenables avec des interfaces, une responsabilité et des attentes opérationnelles claires.
- Construire et maintenir un hub de modèles accessible reliant la documentation des modèles, les résultats d'évaluation, l'historique des versions, le versioning et le monitoring.
- Créer des flux de travail CI/CD testés, des environnements reproductibles, des alertes exploitables, des procédures de réponse aux incidents et des runbooks opérationnels.
- Définir les priorités MLOps en partenariat avec les équipes Data Science et Ingénierie, en identifiant les risques avant qu'ils ne deviennent des problèmes de production.
- Établir des normes d'ingénierie réutilisables, encadrer les membres de l'équipe et réduire la charge opérationnelle pesant sur les data scientists.
EXIGENCES MINIMALES
- 5+ années d'expérience dans la construction et l'exploitation de systèmes ML en production au-delà du déploiement initial, incluant le monitoring, le réentraînement, la réponse aux incidents et l'amélioration continue.
- Solides compétences en développement logiciel de production en Python et maîtrise de SQL.
- Expérience pratique de Spark/PySpark pour le traitement de données distribuées à grande échelle, incluant l'ingénierie de fonctionnalités, les agrégations historiques, le traitement incrémental et la construction de jeux de données d'entraînement.
- Expérience avec des architectures de data lake ou de lakehouse modernes, incluant S3, Apache Iceberg ou des technologies équivalentes.
- Expérience avec un moteur d'orchestration de flux de travail pour la planification, la gestion des dépendances, les tentatives de relance, les backfills et la récupération.
- Expérience pratique de la construction d'infrastructure avec Terraform.
- Expérience du déploiement et de l'exploitation de charges de travail conteneurisées en production sur Kubernetes.
- Expérience dans la construction d'infrastructures d'entraînement, d'évaluation ou de déploiement réutilisables utilisées par plusieurs modèles, scientifiques ou équipes.
- Expérience dans la mise en œuvre du versioning de modèles et de jeux de données, du suivi d'expériences, de la traçabilité et des versions reproductibles.
- Capacité à distinguer les défaillances de service ou d'infrastructure des changements dans l'efficacité des modèles.
- Expérience dans la construction de pipelines CI/CD, de monitoring, d'alertes, de mécanismes de retour en arrière et de procédures de récupération pour les systèmes ML en production.
- Capacité démontrée à équilibrer la qualité des modèles, la vitesse de livraison, la fiabilité et les coûts d'infrastructure.
- Solides compétences en communication interfonctionnelle et expérience de partenariat avec des data scientists pour préserver la validité scientifique lors du passage des modèles en production.
- Capacité à expliquer un incident de production ou un problème de dégradation de modèle, comment il a été détecté et quelles améliorations ont suivi.
EXIGENCES SOUHAITÉES
- Expérience dans le développement de services de plateforme, d'infrastructure ou d'outils internes en Go.
- Expérience dans la construction ou la gestion d'un registre de modèles, d'un hub de modèles ou d'un système similaire utilisé par des parties prenantes techniques et non techniques.
- Expérience dans le support de systèmes ML où les étiquettes de résultats sont différées ou où la qualité du modèle ne peut pas être mesurée immédiatement.
- Historique d'amélioration de la vitesse de déploiement, de la qualité des modèles, de la fiabilité des systèmes, des coûts d'infrastructure ou de l'effort opérationnel manuel.
- Expérience dans la conception d'infrastructures ML configurables prenant en charge plusieurs frameworks ou approches de modélisation.
- Preuve que l'infrastructure réutilisable, les normes ou la documentation ont été adoptées par plusieurs équipes.
- Expérience dans l'encadrement d'ingénieurs ou de data scientists et dans l'influence des priorités techniques au sein d'un portefeuille ML.
- Expérience de travail dans des environnements contenant des informations sensibles et conception de documentation ou de monitoring autour de périmètres d'accès appropriés.
Plus d’opportunités avec un seul profil
Vous souhaitez accéder à plus de postes sans répéter tout le processus ? Créez votre profil pour être trouvé par les entreprises utilisant Nort.
Créer mon profil