Senior MLOps Engineer | Ingénieur·e MLOps senior

Job description

Company Overview Jesta I.S. builds enterprise retail technology used by apparel and footwear brands with complex, multi-site operations. Our data environment spans ERP and cloud platforms, and our engineering culture is hands-on, pragmatic, and fast-moving. You’ll work in a production environment integrating Oracle, Snowflake, AWS, and Azure, supported by strong security standards, modern CI/CD practices, and close collaboration across Data Science, Engineering, Frontend, and Product teams. Position Summary We are looking for a Senior MLOps Engineer to design, build, and maintain the data and machine learning pipelines that power our AI and analytics platforms. This is a deeply hands-on engineering role responsible for the full ML lifecycle, from data ingestion and transformation through model training, deployment, monitoring, retraining, and rollback. You will bridge data engineering, ML automation, infrastructure, observability, and application deployment to help build scalable, secure, multi-tenant AI infrastructure with a strong focus on reliability, performance, and cost-efficient design. Responsibilities Build and automate ML pipelines for data preparation, training, inference, monitoring, and retraining. Develop production data flows across Oracle ERP, Snowflake, AWS, and Azure environments. Create reusable Kedro pipelines and manage scalable workloads through AWS Batch, EKS, Karpenter, Kueue, and Fargate. Implement MLflow-based experiment tracking, model versioning, lineage, quality gates, staged promotion, and rollback. Capture reproducible run manifests, validate prediction completeness, and support safe partial-run recovery. Provision secure, multi-tenant cloud infrastructure using Terraform or OpenTofu. Implement CI/CD workflows using Azure DevOps and GitHub Actions, including testing, scanning, immutable images, and rollback strategies. Build observability for run success, completeness, freshness, duration, drift, failures, and infrastructure cost. Maintain Dockerized, Kubernetes-native environments using ECR and EKS, with appropriately sized compute and memory resources. Deploy secure React and Python ML applications across AWS and Azure using private networking, MFA, RBAC, encryption, and least-privilege access. Collaborate with Data Scientists and Product stakeholders to operationalize models, improve performance, and address reliability gaps. Technical Environment Languages & Frameworks: Python (pandas, Polars, boto3, joblib, LightGBM/XGBoost), SQL, JavaScript/React Data Engineering: AWS DMS, Athena, Snowflake, Oracle Pipeline & Orchestration: Kedro, EventBridge, AWS Batch, Amazon EKS, Karpenter, Kueue, Fargate MLOps: MLflow, Docker, ECR, Azure DevOps, GitHub Actions Infrastructure & Observability: Terraform/OpenTofu, CloudWatch, Prometheus, Grafana, structured logging, drift monitoring Cloud & Deployment: AWS (EC2, S3, RDS, Batch, EKS, Fargate, ECR, EventBridge, Lambda), Azure integration and parallel deployment Security: AWS IAM, Cognito, RBAC, MFA, Secrets Manager, PrivateLink, encryption, and network access controls Qualifications Education & Professional Experience Bachelor’s or Master’s degree in Computer Science, Machine Learning, or a related field. Minimum of 5 years of full-time professional experience , excluding internships and academic training, in ML Engineering, MLOps, or data-pipeline development. 7+ years of relevant professional experience is preferred. Proven ability to design, build, and automate production-scale, end-to-end ML pipelines in cloud environments. Technical Expertise Strong Python and SQL skills, including complex querying against large datasets. Hands-on experience integrating Oracle and Snowflake with production ML systems. Proficiency with Terraform or equivalent Infrastructure as Code (IaC) tooling . Experience with containerized application deployment, CI/CD, and workflow orchestration. Experience with Kubernetes/EKS and cloud-native infrastructure. Experience with MLflow or equivalent MLOps tooling . Understanding of model lifecycle practices, including versioning, lineage, quality validation, staged promotion, monitoring, and rollback. Experience working with cloud platforms, preferably AWS and Azure. Skills & Abilities Strong ownership and hands-on engineering mindset, from architecture through production. Analytical and performance-focused approach to solving complex technical and operational problems. Ability to balance scalability, cost, security, reliability, and maintainability when designing solutions. Comfortable working across data engineering, machine learning, software engineering, infrastructure, and application delivery. Strong collaboration skills when working with Data Scientists, Frontend Developers, Product stakeholders, and Engineering teams. Strong attention to detail and commitment to automation, observability, reliability, and responsible data handling. Ability to proactively identify and resolve operational gaps. Strong adaptability and ability to work effectively in a fast-moving engineering environment. Additional Information Work Model: Hybrid; 2 days per week in the Montreal office. Remote option possible for exceptional candidates. We thank all applicants for their interest; only those shortlisted will be contacted. Join us to help build the secure, scalable cloud foundations of our AI-powered future! -------------------- Présentation de l’entreprise Jesta I.S. développe des technologies d’entreprise pour le commerce de détail, utilisées par des marques de vêtements et de chaussures ayant des opérations complexes et réparties sur plusieurs sites. Notre environnement de données englobe des plateformes ERP et infonuagiques, et notre culture d’ingénierie est pratique, pragmatique et dynamique. Vous travaillerez dans un environnement de production intégrant Oracle, Snowflake, AWS et Azure, soutenu par des normes de sécurité rigoureuses, des pratiques modernes de CI/CD et une collaboration étroite entre les équipes de science des données, d’ingénierie, de développement frontend et de produit. Résumé du poste Nous sommes à la recherche d’un·e ingénieur·e MLOps senior pour concevoir, développer et maintenir les pipelines de données et d’apprentissage automatique qui alimentent nos plateformes d’IA et d’analytique. Il s’agit d’un rôle d’ingénierie très pratique couvrant l’ensemble du cycle de vie du ML, de l’ingestion et de la transformation des données à l’entraînement, au déploiement, à la surveillance, au réentraînement et au retour à une version antérieure. Vous ferez le lien entre l’ingénierie des données, l’automatisation ML, l’infrastructure, l’observabilité et le déploiement applicatif afin de contribuer à bâtir une infrastructure d’IA évolutive, sécurisée et multi-locataires, avec un fort accent sur la fiabilité, la performance et l’optimisation des coûts. Responsabilités Concevoir et automatiser des pipelines ML pour la préparation des données, l’entraînement, l’inférence, la surveillance et le réentraînement. Développer des flux de données de production entre les environnements Oracle ERP, Snowflake, AWS et Azure. Créer des pipelines Kedro réutilisables et gérer des charges de travail évolutives avec AWS Batch, EKS, Karpenter, Kueue et Fargate. Mettre en œuvre avec MLflow le suivi des expériences, le versionnage des modèles, la lignée des données, les contrôles de qualité, la promotion par étapes et le rollback. Produire des manifestes d’exécution reproductibles, valider la complétude des prédictions et permettre la reprise sécuritaire des traitements partiels. Provisionner une infrastructure infonuagique sécurisée et multi-locataires à l’aide de Terraform ou OpenTofu. Mettre en œuvre des workflows CI/CD avec Azure DevOps et GitHub Actions, incluant les tests, l’analyse, les images immuables et les stratégies de rollback. Développer l’observabilité des exécutions, notamment leur succès, leur complétude, leur fraîcheur, leur durée, la dérive, les défaillances et les coûts d’infrastructure. Maintenir des environnements Dockerisés et natifs Kubernetes avec ECR et EKS, en assurant un dimensionnement approprié des ressources de calcul et de mémoire. Déployer des applications ML sécurisées en React et Python sur AWS et Azure à l’aide de réseaux privés, MFA, RBAC, chiffrement et accès à privilèges minimaux. Collaborer avec les équipes de science des données et les parties prenantes produit afin d’industrialiser les modèles, d’améliorer les performances et de résoudre les enjeux de fiabilité. Environnement technique Langages et frameworks : Python (pandas, Polars, boto3, joblib, LightGBM/XGBoost), SQL, JavaScript/React Ingénierie des données : AWS DMS, Athena, Snowflake, Oracle Pipelines et orchestration : Kedro, EventBridge, AWS Batch, Amazon EKS, Karpenter, Kueue, Fargate MLOps : MLflow, Docker, ECR, Azure DevOps, GitHub Actions Infrastructure et observabilité : Terraform/OpenTofu, CloudWatch, Prometheus, Grafana, journalisation structurée, surveillance de la dérive Cloud et déploiement : AWS (EC2, S3, RDS, Batch, EKS, Fargate, ECR, EventBridge, Lambda), intégration Azure et déploiement parallèle Sécurité : AWS IAM, Cognito, RBAC, MFA, Secrets Manager, PrivateLink, chiffrement et contrôles d’accès réseau Qualifications Formation et expérience professionnelle Baccalauréat ou maîtrise en informatique, apprentissage automatique ou dans un domaine connexe. Minimum de 5 ans d’expérience professionnelle à temps plein , excluant les stages et la formation académique, en ingénierie ML, MLOps ou développement de pipelines de données. 7 ans ou plus d’expérience pertinente sont privilégiés. Capacité démontrée à concevoir, développer et automatiser des pipelines ML complets à l’échelle de la production dans des environnements infonuagiques. Expertise technique Solides compétences en Python et SQL, incluant la rédaction de requêtes complexes sur de grands volumes de données. Expérience pratique de l’intégration d’ Oracle et Snowflake à des systèmes ML en production. Maîtrise de Terraform ou d’un outil équivalent d’Infrastructure as Code (IaC) . Expérience en déploiement d’applications conteneurisées, en CI/CD et en orchestration de workflows. Expérience avec Kubernetes/EKS et les infrastructures infonuagiques natives. Expérience avec MLflow ou un outil MLOps équivalent . Bonne compréhension du cycle de vie des modèles, notamment le versionnage, la lignée, la validation de la qualité, la promotion par étapes, la surveillance et le rollback. Expérience avec des plateformes infonuagiques, idéalement AWS et Azure. Compétences et aptitudes Fort sens de l’autonomie et approche d’ingénierie pratique, de l’architecture jusqu’à la mise en production. Approche analytique axée sur la performance pour résoudre des problèmes techniques et opérationnels complexes. Capacité à équilibrer évolutivité, coûts, sécurité, fiabilité et maintenabilité dans la conception de solutions. À l’aise à l’intersection de l’ingénierie des données, de l’apprentissage automatique, du génie logiciel, de l’infrastructure et du déploiement applicatif. Excellentes aptitudes à collaborer avec les équipes de science des données, de développement frontend, de produit et d’ingénierie. Grande attention aux détails et engagement envers l’automatisation, l’observabilité, la fiabilité et la gestion responsable des données. Capacité à identifier et résoudre de façon proactive les enjeux opérationnels. Grande capacité d’adaptation et aisance dans un environnement d’ingénierie dynamique et en constante évolution. Informations complémentaires Modèle de travail : Hybride ; présence au bureau de Montréal deux jours par semaine. Option de télétravail possible pour les candidat·e·s exceptionnel·le·s. Nous remercions toutes les personnes intéressées ; seules les personnes retenues seront contactées. Joignez-vous à nous pour contribuer à bâtir les fondations infonuagiques sécurisées et évolutives de notre avenir propulsé par l’IA!