Développeur Senior Traitement de Données ML

À propos du poste

Nous recherchons un·e développeur·euse senior spécialisé·e en traitement de données pour le machine learning afin de concevoir, développer et faire évoluer notre pipeline d’actifs de données. Vous travaillerez à l’intersection de l’ingénierie des données, de l’édition et de l’apprentissage automatique pour fournir des jeux de données de haute qualité aux chercheurs IA.

Missions principales

• Collaborer avec l’équipe de Recherche pour définir, automatiser et mettre à l’échelle des pipelines transformant les données brutes du web en ensembles d’entraînement IA.
• Construire et maintenir des pipelines incluant dé‑duplication, notation de qualité basée sur modèles, filtrage heuristique, suppression de toxicité, masquage des informations personnelles (PII), extraction de métadonnées et transformations propriétaires, avec versionnage et suivi de provenance.
• Garantir la conformité des données aux exigences légales et aux politiques internes de gouvernance.
• Développer et affiner des outils de notation et de filtrage (heuristiques, LLM‑as‑a‑judge, classificateurs ML, workflows human‑in‑the‑loop).
• Instrumenter les pipelines avec surveillance de la qualité, garde‑fous et alertes pour prévenir les régressions.
• Identifier, acquérir et analyser de vastes corpus de texte répondant aux besoins évolutifs de l’équipe de Recherche.

Profil recherché

• Expérience confirmée en ingénierie des données et en pipelines de traitement à grande échelle.
• Maîtrise des concepts de qualité des données, de dé‑duplication et de gestion du PII.
• Bonne compréhension des modèles de langage et des techniques de filtrage basées sur le machine learning.
• Capacité à travailler en équipe pluridisciplinaire et à répondre aux exigences de conformité.

Compétences requises

• Construction et optimisation de pipelines de données (dé‑duplication, versionnage, suivi de provenance).
• Notation de qualité basée sur modèles et filtrage heuristique.
• Suppression de toxicité et masquage des informations personnelles (PII).
• Extraction de métadonnées et transformations de données propriétaires.
• Utilisation de grands modèles de langage (LLM‑as‑a‑judge) et classificateurs ML.
• Mise en place de workflows human‑in‑the‑loop et de systèmes de surveillance de la qualité.