We are seeking a Staff MLOps Engineer with experience building and scaling infrastructure for large 2D and 3D media datasets. In this role, you will develop and own the backbone of our machine learning lifecycle, ensuring that data pipelines are automated, reproducible, and highly performant at scale.

You will work on enabling seamless model training, deployment, and monitoring across complex, multimodal systems, supporting the evolution of cutting-edge AI/ML applications.

Nous sommes à la recherche d’un(e) ingénieur(e) MLOps expert(e) ayant de l’expérience dans la conception et la mise à l’échelle d’infrastructures pour de grands ensembles de données multimédias 2D et 3D. Dans ce rôle, vous développerez et serez responsable des fondements du cycle de vie de l’apprentissage automatique, en veillant à ce que les pipelines de données soient automatisés, reproductibles et performants à grande échelle.

Vous contribuerez à l’entraînement, au déploiement et au suivi des modèles au sein de systèmes multimodaux complexes, soutenant ainsi le développement d’applications d’IA/AA de pointe.

Key Responsibilities

• Cross-Functional Coordination: Work with partner ML and Annotation engineers and TPMs to spec out infrastructure and training requirements.
• Pipeline Automation: Design and maintain robust CI/CD and CT (Continuous Training) pipelines for complex multimodal models.
• Data Lifecycle Management: Implement versioning and storage strategies for massive 2D/3D datasets to ensure reproducibility and high-throughput access.
• Monitoring & Observability: Deploy and manage systems for monitoring model performance and data drift in production environments.

Responsabilités principales

• Collaboration interfonctionnelle : Collaborer avec les ingénieurs ML, les équipes d’annotation et les TPM afin de définir les besoins en infrastructure et en entraînement.
• Automatisation des pipelines : Concevoir, déployer et maintenir des pipelines CI/CD et d’entraînement continu (CT) pour des systèmes d’apprentissage automatique multimodaux.
• Gestion du cycle de vie des données : Mettre en place des stratégies de stockage et de versionnement pour des ensembles de données 2D/3D à grande échelle afin d’assurer la reproductibilité et un accès efficace.
• Surveillance et observabilité : Développer et gérer des systèmes permettant de surveiller la performance des modèles, détecter la dérive des données et garantir la fiabilité en production.