Ingénieur·e MLOps - Data & Ml Engineering H/F - 31

Donecle conçoit des drones automatiques sans télépilote utilisés pour l'inspections d'avions et assemblages complexes.

Nos technologies innovantes associant drones et algorithmes de traitement d'images permettent une inspection plus rapides des aéronefs.

Nos clients sont les compagnies aériennes, constructeurs d'avions, centres de maintenances mais aussi des opérateurs militaires à travers le monde entier.

L'équipe :
Passionnés de drones ou d'aéronautique, notre équipe d'une trentaine de personnes travaille à développer la prochaine génération de drones intelligents.
Nos valeurs : Innovation, Excellence et Esprit d'équipe.

Au sein de Donecle, l'équipe Machine Learning développe et déploie les algorithmes de vision par ordinateur qui permettent ces inspections assistées. Pour renforcer la robustesse et l'efficacité de nos processus, nous proposons un stage orienté MLOps / Data & ML Engineering.

Pourquoi nous rejoindre ?

- Stage avec perspective de recrutement dans une équipe à taille humaine.
- Projet concret et impactant, au coeur de la production industrielle ML.
- Exposition à tout le cycle ML (data entraînement déploiement client).
- Contexte stimulant : aéronautique, drones, innovation.

La vie chez Donecle, en bref :

- Un budget dédié à l'organisation d'évènements (repas, sorties, tournois...) et des avantages sociaux (tickets restaurants, primes, etc.)
- Des locaux neufs, accessibles en transport en commun, voiture, vélo et à proximité immédiate des commerces

En savoir plus sur Donecle : https://youtu.be/nhfrqPShoGsContribuer à l'amélioration et la structuration du pipeline ML opérationnel, de la gestion des données jusqu'au déploiement des modèles.

Vous interviendrez sur :

1. État des lieux : diagnostic des outils/process existants (gestion données, entraînement, CI/CD, déploiement).

2. Améliorations ciblées : standardisation, nettoyage, documentation ; automatisation de workflows récurrents.

3. Exploration d'outils : POC et comparaison de solutions type ClearML, DVC, MLflow, FiftyOne.

4. Consolidation : mise en place et documentation de bonnes pratiques réutilisables par l'équipe.

Le travail s'appuiera sur des bases déjà existantes (scripts, pipelines internes), avec une approche incrémentale et guidée.