Lead Machine Learning Engineer -Industrialisation des Produits IA H/F KERMAP

Rattaché·e directement au CEO, vous partagerez votre temps entre développement et pilotage technique : environ 50 % de contribution opérationnelle et 50 % de structuration, coordination et accompagnement de l'équipe.

Votre rôle ne sera pas seulement de développer de nouveaux modèles. Votre priorité sera de faire en sorte que les innovations conçues par KERMAP deviennent de véritables produits : répondant à un besoin identifié, intégrables dans nos applications et API, exploitables par la production, déployables chez nos clients et maintenables dans la durée.

Vous occuperez pour cela une position transverse entre la direction, qui porte la vision et les priorités de l'entreprise, le pôle développement, responsable notamment des applications web et des API, et la production, chargée de fabriquer et livrer les données et services aux clients.

1. Transformer les projets en produits

• Traduire avec la direction une vision et des opportunités business en feuilles de route techniques et produits réalisables.
• Clarifier pour chaque projet la valeur utilisateur, le périmètre fonctionnel, les critères de qualité et les conditions de passage en production.
• Identifier ce qui doit devenir un composant réutilisable du produit et ce qui relève d'une adaptation spécifique à un client.
• Concevoir avec le pôle développement des interfaces stables entre modèles IA, pipelines de données, applications web et API.
• Préparer avec la production des processus de déploiement, de configuration, de supervision, de documentation et de livraison client.
• Intégrer les retours des utilisateurs, des équipes internes et des livraisons dans les évolutions des produits IA.
• Réduire la dépendance aux développements ponctuels en favorisant des briques configurables, versionnées et réutilisables.
  

2. Industrialiser les modèles et pipelines IA

• Auditer, reprendre et faire évoluer les modèles et pipelines TensorFlow/PyTorch existants.
• Transformer des prototypes de R&D en composants logiciels robustes, testables et maintenables.
• Concevoir des chaînes de traitement reproductibles pour de très grands volumes d'images satellites.
• Fiabiliser les entraînements et les inférences : gestion des erreurs, reprise sur incident, traçabilité, versionnement et contrôle de la qualité.
• Structurer l'utilisation de MLflow et des bases de données pour le suivi des expériences, la comparaison des modèles, leur versionnement et leur passage en production.
• Faire évoluer les déploiements et l'orchestration de traitements distribués avec Kubernetes sur plusieurs machines.
• Réduire les opérations manuelles et sécuriser le passage d'un nouveau modèle vers la production.
  

3. Structurer l'ingénierie du pôle IA

• Définir une architecture logicielle claire et adaptée à la croissance des produits KERMAP.
• Mettre en place des standards pragmatiques de développement : organisation du code, documentation, gestion des dépendances et bonnes pratiques Git.
• Construire une chaîne d'intégration continue adaptée aux modèles IA et aux traitements géospatiaux.
• Définir des pratiques cohérentes entre code, données, expériences MLflow, images d'exécution et déploiements Kubernetes.
• Utiliser quotidiennement des assistants et agents de développement IA (Claude Code, Codex) pour accélérer l'analyse, le prototypage, le refactoring, les tests, la documentation et le diagnostic.
• S'assurer que le code proposé par un assistant IA reste compris, relu, testé, sécurisé et conforme à l'architecture du produit.
• Arbitrer les choix techniques en tenant compte de la qualité, des performances, des délais et de la maintenabilité.
• Faire progresser collectivement l'équipe sans créer de processus inutilement lourds.
  

4. Prendre progressivement le leadership du pôle IA

• Accompagner techniquement et faire monter en compétence une équipe de 2 à 3 ingénieurs IA/R&D.
• Organiser les priorités, répartir les sujets et sécuriser la livraison des projets.
• Conduire les revues de conception et de code sur les composants critiques.
• Traduire les objectifs produits et business en feuille de route technique réaliste avec le CEO.
• Installer un fonctionnement fluide entre direction, IA, développement web/API, production et infrastructure.
• À terme, prendre la responsabilité du fonctionnement et des résultats du pôle IA.

Ce que nous attendons au cours des 12 à 18 premiers mois

• Une architecture cible comprise et adoptée par l'équipe.
• Des dépôts Git structurés, documentés et couverts par des tests pertinents.
• Des pipelines prioritaires reproductibles, observables et relançables sans dépendre d'une connaissance individuelle.
• Un usage homogène de MLflow permettant de retrouver, comparer et promouvoir les modèles avec leur contexte d'entraînement.
• Des traitements Kubernetes mieux standardisés, supervisés et dimensionnés en fonction des ressources CPU, mémoire et GPU.
• Un processus clair pour passer d'un prototype de recherche à une production récurrente.
• Plusieurs projets prioritaires transformés en briques produits réutilisables, documentées et intégrées aux applications ou API de KERMAP.
• Des responsabilités, interfaces et critères de livraison clairement définis entre le pôle IA, le développement et la production.
• Une diminution des traitements ou livraisons reposant sur des interventions manuelles et des adaptations ponctuelles.
• Des pratiques communes permettant à l'équipe d'exploiter efficacement les agents de développement IA sans dégrader la qualité, la sécurité ni la maîtrise du code.
• Une équipe capable de mieux estimer, prioriser et livrer ses travaux.
• Une prise de responsabilité progressive et effective sur le pilotage du pôle IA.