Recruter un MLOps Engineer
Le profil que tout le monde veut, que personne ne trouve. La plateforme IA d'une boîte mature, ce n'est pas une stack qu'on télécharge — c'est un MLOps qui l'a construite, brique par brique, en pensant infra, sécurité, GPU, coûts, et qualité de vie des Data Scientists.
MLOps Engineer : DevOps pour la donnée et les modèles.
Le MLOps Engineer est l'ingénieur plateforme dédié aux workloads IA et ML. Il fait pour vos Data Scientists et ML Engineers ce qu'un Platform Engineer DevOps fait pour vos dev backend : il leur fournit les rails, les outils, les pipelines pour livrer en production sans avoir à se battre avec Kubernetes ou Terraform.
Sur une journée type : il maintient un cluster GPU sur EKS ou GKE, structure les pipelines CI/CD pour les modèles (train → eval → deploy → rollback), met en place le tracking MLflow ou équivalent, gère le feature store, monitore drift et coûts GPU, et organise les permissions/secrets pour que chaque équipe ait accès à ce dont elle a besoin sans tout casser.
Pourquoi c'est rare et cher : le MLOps demande une double expertise rare — un DevOps qui comprend les besoins ML (data versioning, GPU scheduling, expérimentation reproductible), ou un ML Engineer qui sait vraiment faire du Kubernetes et du Terraform. La majorité des candidats qui se disent "MLOps" sont en réalité des Data Engineers qui ont touché à Airflow.
Les briques que votre MLOps doit savoir assembler.
Conteneurs & Orchestration
Infra as Code
Pipelines & Orchestration ML
Tracking, Registry, Serving
Sécurité & Secrets
Monitoring & FinOps
45-110k€, le rôle IA le plus tendu côté offre.
Le MLOps n'a quasiment pas de marché junior (le rôle exige déjà une maturité DevOps + ML). Les profils confirmés sont chassés par tous les corporates de Sophia (Amadeus, IBM, Renesas) et les scale-ups parisiennes en remote. Premium sur expérience GPU à l'échelle.
| Ville | Junior (rare) | Confirmé | Senior / Lead |
|---|---|---|---|
| Marseille | 45 – 55 k€ | 55 – 78 k€ | 78 – 105 k€ |
| Aix-en-Provence | 42 – 52 k€ | 54 – 75 k€ | 75 – 100 k€ |
| Sophia Antipolis | 48 – 58 k€ | 60 – 85 k€ | 85 – 115 k€ |
| Nice | 45 – 55 k€ | 55 – 78 k€ | 78 – 105 k€ |
5 questions techniques pour qualifier un MLOps Engineer.
Ces questions séparent en 15 minutes l'ingénieur plateforme ML mature du Data Engineer qui a vu passer du Kubeflow.
Tu dois servir un modèle PyTorch sur GPU à 200 req/s. Comment tu structures l'inférence ?
Pense Triton Inference Server ou BentoML avec dynamic batching, choix instance GPU (T4 vs A10 vs L4 selon modèle), exposition via gRPC pour latence, HPA basé sur la GPU utilization (DCGM), pré-warming. Sait expliquer le trade-off latence/throughput.
'Je le déploie en Flask avec Gunicorn'. Aucune notion de batching, ne sait pas dimensionner un node GPU, pense que K8s scale-up gère tout magiquement.
Comment tu gères le versioning des datasets dans tes pipelines de training ?
Cite DVC, LakeFS, Pachyderm, ou un système maison basé sur des hash + S3 versioning. Sait expliquer pourquoi Git ne marche pas pour les datasets, parle de reproductibilité bit-à-bit et de coût stockage.
'On stocke les CSV sur S3'. Pas de hash, pas de versioning, pas de lignage. Risque de retraining non reproductible.
Vault est en panne dans ton cluster K8s. Tes pods ML ne peuvent plus récupérer leurs credentials S3. Comment tu débugges et tu réponds ?
Pense d'abord à l'urgence (impact prod, rollback ?), regarde les logs Vault + pod, check les service accounts, IRSA / Workload Identity en fallback. Connaît la différence entre static secrets et dynamic secrets, sait expliquer le rotation et le lease.
'Je hardcode les credentials en attendant'. Aucune notion IRSA, ne sait pas debugger un Vault, met en risque la sécu pour aller vite.
Tes Data Scientists se plaignent que leurs jobs Argo prennent 4h alors qu'ils duraient 1h il y a 3 mois. Tu fais quoi ?
Méthodique : check resources requests/limits, GPU contention, file d'attente, queue depth, scheduler, taille des datasets en input, network throughput vers le storage. Profile un run, regarde Prometheus / Grafana, isole la cause. Peut aussi être un bug du pipeline qui charge tout en mémoire.
'On augmente la taille des nodes'. Pas de profiling, pas de mesure, throw money at the problem. Symptomatique d'un MLOps qui ne sait pas instrumenter son cluster.
Quelle stratégie tu mets en place pour le rollout d'un nouveau modèle en prod ?
Cite shadow deployment, canary, A/B testing avec routing par feature flag (LaunchDarkly, GrowthBook), comparaison métriques business + métriques modèle, rollback automatique sur dérive. Connaît Argo Rollouts ou Flagger.
'On déploie en blue/green'. Bonne base mais ne mentionne ni shadow, ni A/B sur les prédictions, ni rollback automatique sur dérive métrique.
Tableau des salaires IA en PACA — mars 2026.
| Métier | Junior (0-2 ans) | Confirmé (3-7 ans) | Senior (8+ ans) | Expert / Lead | Note |
|---|---|---|---|---|---|
| AI Engineer | 45 – 55 k€ | 55 – 75 k€ | 75 – 105 k€ | 100 – 140 k€ | Demande forte en RAG/agents. |
| Machine Learning Engineer | 42 – 52 k€ | 52 – 72 k€ | 72 – 100 k€ | 95 – 130 k€ | Profil rare avec exp. prod MLOps. |
| MLOps Engineer | 45 – 55 k€ | 55 – 78 k€ | 78 – 110 k€ | — | Marché tendu, prime à l'infra GPU. |
| Data Scientist | 38 – 48 k€ | 48 – 65 k€ | 65 – 90 k€ | 85 – 120 k€ | Volume important, écart selon stack. |
| Data Engineer | 40 – 50 k€ | 50 – 70 k€ | 70 – 95 k€ | — | Indispensable pour alimenter les modèles. |
| AI Automation Specialist | 38 – 48 k€ | 48 – 65 k€ | 65 – 85 k€ | — | n8n / Make / Zapier + LLM, croissance forte. |
| Prompt Engineer | 40 – 50 k€ | 50 – 68 k€ | 68 – 90 k€ | — | Souvent confondu avec AI Engineer. À cadrer. |
| AI Product Manager | 50 – 62 k€ | 62 – 85 k€ | 85 – 120 k€ | — | Mix produit + tech, profils rares. |
| Architecte IA | — | 70 – 95 k€ | 95 – 130 k€ | 125 – 160 k€ | Sénior obligatoire, vision système. |
| Consultant IA | 40 – 55 k€ | 55 – 80 k€ | 80 – 120 k€ | — | Forte variance selon BU/cabinet. |
| Agentic AI Engineer | 50 – 62 k€ | 62 – 90 k€ | 90 – 130 k€ | — | Émergent. Premium parce que peu de profils. |
Vous cherchez un MLOps en PACA ?
Profil rare, nous chassons proactivement. Brief 30 min, court-list 3-5 candidats en 20-30 jours selon le niveau exigé (GPU, multi-cloud, scale).