MLOps : marché
Données au 19 novembre 2026 : offres ouvertes MLOps — 354, 31% en télétravail parmi les offres qui précisent le mode de travail; salaire médian annoncé $8 315/mois (sur 41 offres qui indiquent un salaire). Source : Zorky, mis à jour chaque jour.
Ingénieur MLOps — infrastructure pour les équipes ML/IA. À l'intersection du DevOps + de l'ingénierie ML + du Platform Engineering. Construit et exploite la plateforme ML pour les autres équipes DS / ML Engineer / Recherche : feature stores, registre de modèles, infrastructure d'entraînement, stack de serving, monitoring, optimisation des coûts. Famille de rôles : Ingénieur MLOps (mid — infra pour une seule équipe produit), Ingénieur MLOps Senior (plateforme multi-équipes + optimisation des coûts + passage à l'échelle), Ingénieur ML Platform (construit une plateforme réutilisable pour toute l'organisation — Feature Store / Model Registry / Training Platform), Staff / Principal MLOps (architecture de la plateforme ML pour une organisation multi-produits), Tech Lead MLOps (direction d'équipe + stratégie de plateforme + intégration avec DevOps / SRE). Stack : Python (principal), maîtrise de Docker+Kubernetes (serving ML en production), Helm+Kustomize+ArgoCD (GitOps), Terraform/Pulumi/CloudFormation (infrastructure as code pour les ressources ML managées dans le cloud), MLflow (registre de modèles + suivi — standard open source), Kubeflow+Kubeflow Pipelines (orchestration ML native K8s), Airflow/Prefect/Dagster (pipelines data + ML), Feast/Tecton (feature stores), Triton Inference Server+BentoML+TorchServe+vLLM/TGI/SGLang (model serving — spécifique LLM), Prometheus+Grafana+Loki (observabilité), Evidently AI/WhyLabs/Arize AI/Fiddler (monitoring ML + détection de dérive), DVC+LakeFS (versionnage des données), AWS SageMaker/GCP Vertex AI/Azure ML/Databricks/Domino Data Lab (ML managé dans le cloud), Spark+Ray (plateformes de calcul distribué), FluxCD+Tekton (CI/CD pour les pipelines ML), OpenTelemetry (traçage). Stack la plus demandée : mlops, ci/cd, cloud, aws, python. Parmi les offres dont le mode de travail est indiqué, 31% sont en télétravail.
Données au:
Les chiffres clés du marché MLOps : offres ouvertes, salaire médian, vivier de spécialistes observé et part du télétravail.
Le marché MLOps compte actuellement 354 postes ouverts, dont 304 observés récemment. Median salary $8 315/mo.
Parmi les offres dont le mode de travail est indiqué, 31% sont en télétravail. Le travail en MLOps se fait par défaut dans le cloud. Sociétés d'outsourcing (EPAM AI Platform / Luxoft AI) — presque toujours en télétravail. Banques russes (IA bancaire de Sber / VTB) — hybride/bureau pour la conformité sécurité. Entreprises internationales de plateformes ML — télétravail complet standard. Plateformes ML des Big Tech — hybride standard.
⚠ salaire connu pour 41 offres sur 354 ; part du télétravail sur 290 avec un format indiqué ; 304 comptées comme observations récentes ; la tendance et la difficulté de recrutement ne sont pas affichées
Chronologie : offres et sources
Combien d'offres MLOps sont apparues chaque semaine depuis le 1 juin, et depuis combien de sources. Le graphique du bas sépare la croissance du marché de celle de notre couverture : un saut la semaine où de nouvelles sources ont été connectées signifie que nous voyons davantage, pas que le marché a grandi.
Nouvelles offres par semaine
Données du graphique
| Période | Nouvelles offres par semaine |
|---|---|
| 2026-06-01 | 25 |
| 2026-06-08 | 18 |
| 2026-06-15 | 12 |
| 2026-06-22 | 56 |
| 2026-06-29 | 38 |
| 2026-07-06 | 44 |
| 2026-07-13 | 67 |
| 2026-07-20 | 44 |
| 2026-07-27 | 24 |
| 2026-08-03 | 25 |
| 2026-08-10 | 29 |
| 2026-08-17 | 20 |
| 2026-08-24 | 24 |
| 2026-08-31 | 30 |
| 2026-09-07 | 24 |
| 2026-09-14 | 34 |
| 2026-09-21 | 53 |
| 2026-09-28 | 59 |
| 2026-10-05 | 56 |
| 2026-10-12 | 151 |
| 2026-10-19 | 54 |
| 2026-10-26 | 70 |
| 2026-11-02 | 85 |
| 2026-11-09 | 73 |
Sources actives par semaine
Sources sur la période : 124. ▲ — semaine où de nombreuses nouvelles sources ont été connectées.
Données du graphique
| Période | Sources actives |
|---|---|
| 2026-06-01 | 11 |
| 2026-06-08 | 8 |
| 2026-06-15 | 5 |
| 2026-06-22 | 11 |
| 2026-06-29 | 23 |
| 2026-07-06 | 19 |
| 2026-07-13 | 28 |
| 2026-07-20 | 14 |
| 2026-07-27 | 14 |
| 2026-08-03 | 19 |
| 2026-08-10 | 18 |
| 2026-08-17 | 15 |
| 2026-08-24 | 12 |
| 2026-08-31 | 20 |
| 2026-09-07 | 14 |
| 2026-09-14 | 18 |
| 2026-09-21 | 24 |
| 2026-09-28 | 23 |
| 2026-10-05 | 22 |
| 2026-10-12 | 32 |
| 2026-10-19 | 27 |
| 2026-10-26 | 29 |
| 2026-11-02 | 36 |
| 2026-11-09 | 41 |
Nouvelles sources connectées : 29 juin +14 · 6 juil. +8 · 13 juil. +15 · 9 nov. +14 · toutes les semaines (23) dans le tableau
| Semaine | Nouvelles sources | Nouvelles offres |
|---|---|---|
| 8 juin | +3 | 18 |
| 15 juin | +1 | 12 |
| 22 juin | +5 | 56 |
| 29 juin | +14 | 38 |
| 6 juil. | +8 | 44 |
| 13 juil. | +15 | 67 |
| 20 juil. | +5 | 44 |
| 27 juil. | +3 | 24 |
| 3 août | +3 | 25 |
| 10 août | +4 | 29 |
| 17 août | +6 | 20 |
| 24 août | +1 | 24 |
| 31 août | +4 | 30 |
| 7 sept. | +2 | 24 |
| 14 sept. | +3 | 34 |
| 21 sept. | +5 | 53 |
| 28 sept. | +1 | 59 |
| 5 oct. | +2 | 56 |
| 12 oct. | +5 | 151 |
| 19 oct. | +2 | 54 |
| 26 oct. | +3 | 70 |
| 2 nov. | +4 | 85 |
| 9 nov. | +14 | 73 |
La semaine en cours n'est pas terminée et n'est pas affichée : une semaine incomplète ressemblerait à une baisse.
Semaine = date de première détection de l'offre, tous statuts ; les offres sont sélectionnées selon la même règle que le compteur de cette page. Les sources sont des canaux de collecte distincts ; leurs noms ne sont pas publiés.
Données du graphique
| Semaine | Nouvelles offres par semaine | Sources actives |
|---|---|---|
| 2026-06-01 | 25 | 11 |
| 2026-06-08 | 18 | 8 |
| 2026-06-15 | 12 | 5 |
| 2026-06-22 | 56 | 11 |
| 2026-06-29 | 38 | 23 |
| 2026-07-06 | 44 | 19 |
| 2026-07-13 | 67 | 28 |
| 2026-07-20 | 44 | 14 |
| 2026-07-27 | 24 | 14 |
| 2026-08-03 | 25 | 19 |
| 2026-08-10 | 29 | 18 |
| 2026-08-17 | 20 | 15 |
| 2026-08-24 | 24 | 12 |
| 2026-08-31 | 30 | 20 |
| 2026-09-07 | 24 | 14 |
| 2026-09-14 | 34 | 18 |
| 2026-09-21 | 53 | 24 |
| 2026-09-28 | 59 | 23 |
| 2026-10-05 | 56 | 22 |
| 2026-10-12 | 151 | 32 |
| 2026-10-19 | 54 | 27 |
| 2026-10-26 | 70 | 29 |
| 2026-11-02 | 85 | 36 |
| 2026-11-09 | 73 | 41 |
Les salaires dans le temps
Salaire médian MLOps par semaine, USD par mois.
Salaire médian, USD par mois
Données du graphique
| Période | Médiane | Offres avec salaire par semaine (n) |
|---|---|---|
| 2026-10-19 | 9 550 | 12 |
| 2026-10-26 | 9 457 | 16 |
| 2026-11-02 | 7 750 | 13 |
| 2026-11-09 | — | 7 |
La série commence le 19 oct. : aucune donnée avant.
Uniquement les offres avec un salaire en USD et une période connue (mois ou année), de 500 à 50 000 $ par mois. Les semaines comptant moins de 10 offres de ce type sont laissées vides — cela signifie pas de données, pas zéro.
Données du graphique
| Semaine | Médiane |
|---|---|
| 2026-06-01 | — |
| 2026-06-08 | — |
| 2026-06-15 | — |
| 2026-06-22 | — |
| 2026-06-29 | — |
| 2026-07-06 | — |
| 2026-07-13 | — |
| 2026-07-20 | — |
| 2026-07-27 | — |
| 2026-08-03 | — |
| 2026-08-10 | — |
| 2026-08-17 | — |
| 2026-08-24 | — |
| 2026-08-31 | — |
| 2026-09-07 | — |
| 2026-09-14 | — |
| 2026-09-21 | — |
| 2026-09-28 | — |
| 2026-10-05 | — |
| 2026-10-12 | — |
| 2026-10-19 | 9 550 |
| 2026-10-26 | 9 457 |
| 2026-11-02 | 7 750 |
| 2026-11-09 | — |
Le télétravail dans le temps
Part des offres MLOps proposant un télétravail complet, par semaine.
Offres en télétravail, %
Données du graphique
| Période | Télétravail |
|---|---|
| 2026-06-01 | 64,7 |
| 2026-06-08 | 50 |
| 2026-06-15 | — |
| 2026-06-22 | 46,9 |
| 2026-06-29 | 54,5 |
| 2026-07-06 | 48,3 |
| 2026-07-13 | 42,9 |
| 2026-07-20 | 63,4 |
| 2026-07-27 | 76,5 |
| 2026-08-03 | 9,5 |
| 2026-08-10 | 45 |
| 2026-08-17 | 16,7 |
| 2026-08-24 | 25 |
| 2026-08-31 | 52,2 |
| 2026-09-07 | 23,8 |
| 2026-09-14 | 26,1 |
| 2026-09-21 | 35,7 |
| 2026-09-28 | 49 |
| 2026-10-05 | 28 |
| 2026-10-12 | 32,7 |
| 2026-10-19 | 15,4 |
| 2026-10-26 | 29,7 |
| 2026-11-02 | 30,6 |
| 2026-11-09 | 43,9 |
La part est calculée parmi les offres qui précisent le mode de travail (télétravail, hybride, bureau). Les semaines comptant moins de 10 offres de ce type sont laissées vides.
Données du graphique
| Semaine | Télétravail |
|---|---|
| 2026-06-01 | 64,7 |
| 2026-06-08 | 50 |
| 2026-06-15 | — |
| 2026-06-22 | 46,9 |
| 2026-06-29 | 54,5 |
| 2026-07-06 | 48,3 |
| 2026-07-13 | 42,9 |
| 2026-07-20 | 63,4 |
| 2026-07-27 | 76,5 |
| 2026-08-03 | 9,5 |
| 2026-08-10 | 45 |
| 2026-08-17 | 16,7 |
| 2026-08-24 | 25 |
| 2026-08-31 | 52,2 |
| 2026-09-07 | 23,8 |
| 2026-09-14 | 26,1 |
| 2026-09-21 | 35,7 |
| 2026-09-28 | 49 |
| 2026-10-05 | 28 |
| 2026-10-12 | 32,7 |
| 2026-10-19 | 15,4 |
| 2026-10-26 | 29,7 |
| 2026-11-02 | 30,6 |
| 2026-11-09 | 43,9 |
Les technologies dans le temps
Comment la part des offres MLOps mentionnant chacune des principales technologies a évolué.
Offres mentionnant la technologie, %
Données du graphique
| Période | MLOps | cloud | Python |
|---|---|---|---|
| 2026-08-10 | 96 | 16 | 16 |
| 2026-08-17 | 100 | 25 | 20 |
| 2026-08-24 | 87 | 17,4 | 30,4 |
| 2026-08-31 | 96,2 | 7,7 | 38,5 |
| 2026-09-07 | 91,3 | 26,1 | 8,7 |
| 2026-09-14 | 97 | 6,1 | 3 |
| 2026-09-21 | 95,9 | 30,6 | 36,7 |
| 2026-09-28 | 94,9 | 44,1 | 50,8 |
| 2026-10-05 | 94,4 | 31,5 | 53,7 |
| 2026-10-12 | 89,3 | 45,6 | 30,9 |
| 2026-10-19 | 94,3 | 60,4 | 56,6 |
| 2026-10-26 | 86,2 | 30,8 | 53,8 |
| 2026-11-02 | 85,9 | 38,5 | 46,2 |
| 2026-11-09 | 91,8 | 49,3 | 38,4 |
Part parmi les offres avec un stack tagué ; la série commence le 10 août : auparavant les tags de stack étaient attribués différemment. Les semaines comptant moins de 20 offres taguées sont laissées vides.
Données du graphique
| Semaine | MLOps | cloud | AWS | Python | Docker |
|---|---|---|---|---|---|
| 2026-08-10 | 96 | 16 | 4 | 16 | 12 |
| 2026-08-17 | 100 | 25 | 25 | 20 | 25 |
| 2026-08-24 | 87 | 17,4 | 8,7 | 30,4 | 21,7 |
| 2026-08-31 | 96,2 | 7,7 | 0 | 38,5 | 34,6 |
| 2026-09-07 | 91,3 | 26,1 | 8,7 | 8,7 | 8,7 |
| 2026-09-14 | 97 | 6,1 | 0 | 3 | 12,1 |
| 2026-09-21 | 95,9 | 30,6 | 18,4 | 36,7 | 20,4 |
| 2026-09-28 | 94,9 | 44,1 | 37,3 | 50,8 | 32,2 |
| 2026-10-05 | 94,4 | 31,5 | 22,2 | 53,7 | 18,5 |
| 2026-10-12 | 89,3 | 45,6 | 31,5 | 30,9 | 30,2 |
| 2026-10-19 | 94,3 | 60,4 | 32,1 | 56,6 | 28,3 |
| 2026-10-26 | 86,2 | 30,8 | 27,7 | 53,8 | 29,2 |
| 2026-11-02 | 85,9 | 38,5 | 32,1 | 46,2 | 21,8 |
| 2026-11-09 | 91,8 | 49,3 | 32,9 | 38,4 | 27,4 |
Pays au fil du temps
Comment la part des offres MLOps dans chacun des principaux pays a évolué, par semaine.
Offres dans le pays, %
Données du graphique
| Période | Pologne | Royaume-Uni | Russie |
|---|---|---|---|
| 2026-06-01 | 24 | 8 | 16 |
| 2026-06-08 | — | — | — |
| 2026-06-15 | — | — | — |
| 2026-06-22 | 77,8 | 1,9 | 1,9 |
| 2026-06-29 | 30,6 | 2,8 | 22,2 |
| 2026-07-06 | 13,2 | 10,5 | 23,7 |
| 2026-07-13 | 32,7 | 5,5 | 1,8 |
| 2026-07-20 | 63,4 | 2,4 | 19,5 |
| 2026-07-27 | 50 | 4,5 | 18,2 |
| 2026-08-03 | 4,8 | 23,8 | 4,8 |
| 2026-08-10 | 0 | 22,2 | 25,9 |
| 2026-08-17 | — | — | — |
| 2026-08-24 | 0 | 43,5 | 17,4 |
| 2026-08-31 | 0 | 11,5 | 50 |
| 2026-09-07 | — | — | — |
| 2026-09-14 | 15,4 | 7,7 | 23,1 |
| 2026-09-21 | 14,9 | 21,3 | 14,9 |
| 2026-09-28 | 35,3 | 15,7 | 2 |
| 2026-10-05 | 32,7 | 22,4 | 4,1 |
| 2026-10-12 | 22,5 | 7,8 | 2,3 |
| 2026-10-19 | 13,3 | 24,4 | 6,7 |
| 2026-10-26 | 13,8 | 17,2 | 10,3 |
| 2026-11-02 | 13,4 | 17,9 | 1,5 |
| 2026-11-09 | 11,1 | 6,3 | 12,7 |
Part parmi les offres dont le pays est connu ; le graphique montre les cinq pays comptant le plus d'offres sur six mois. Les semaines comptant moins de 20 offres avec un pays connu sont laissées vides. Une part en hausse peut signifier une source nouvellement connectée dans ce pays plutôt qu'une croissance du marché.
Données du graphique
| Semaine | Pologne | Royaume-Uni | États-Unis | Russie | Inde |
|---|---|---|---|---|---|
| 2026-06-01 | 24 | 8 | 28 | 16 | 16 |
| 2026-06-08 | — | — | — | — | — |
| 2026-06-15 | — | — | — | — | — |
| 2026-06-22 | 77,8 | 1,9 | 3,7 | 1,9 | 3,7 |
| 2026-06-29 | 30,6 | 2,8 | 11,1 | 22,2 | 5,6 |
| 2026-07-06 | 13,2 | 10,5 | 10,5 | 23,7 | 10,5 |
| 2026-07-13 | 32,7 | 5,5 | 20 | 1,8 | 14,5 |
| 2026-07-20 | 63,4 | 2,4 | 0 | 19,5 | 4,9 |
| 2026-07-27 | 50 | 4,5 | 4,5 | 18,2 | 0 |
| 2026-08-03 | 4,8 | 23,8 | 19 | 4,8 | 9,5 |
| 2026-08-10 | 0 | 22,2 | 3,7 | 25,9 | 11,1 |
| 2026-08-17 | — | — | — | — | — |
| 2026-08-24 | 0 | 43,5 | 8,7 | 17,4 | 4,3 |
| 2026-08-31 | 0 | 11,5 | 3,8 | 50 | 3,8 |
| 2026-09-07 | — | — | — | — | — |
| 2026-09-14 | 15,4 | 7,7 | 7,7 | 23,1 | 15,4 |
| 2026-09-21 | 14,9 | 21,3 | 14,9 | 14,9 | 2,1 |
| 2026-09-28 | 35,3 | 15,7 | 11,8 | 2 | 5,9 |
| 2026-10-05 | 32,7 | 22,4 | 22,4 | 4,1 | 0 |
| 2026-10-12 | 22,5 | 7,8 | 10,1 | 2,3 | 12,4 |
| 2026-10-19 | 13,3 | 24,4 | 15,6 | 6,7 | 15,6 |
| 2026-10-26 | 13,8 | 17,2 | 24,1 | 10,3 | 5,2 |
| 2026-11-02 | 13,4 | 17,9 | 11,9 | 1,5 | 9 |
| 2026-11-09 | 11,1 | 6,3 | 14,3 | 12,7 | 11,1 |
Marché net : indice de recrutement
Les mêmes 7 505 sites carrières d'employeurs ; le nombre d'offres provient du site lui-même. Connecter de nouvelles sources ne fait pas bouger cet indice — il montre le marché, pas notre couverture. C'est l'ensemble du marché du panel, pas seulement MLOps.
Indice de recrutement, 16 oct. = 100
Données du graphique
| Période | Indice de recrutement |
|---|---|
| 2026-10-16 | 100 |
| 2026-10-17 | 100,03 |
| 2026-10-18 | 99,76 |
| 2026-10-19 | 99,68 |
| 2026-10-20 | 99,27 |
| 2026-10-21 | 98,6 |
| 2026-10-22 | 99,07 |
| 2026-10-23 | 97,4 |
| 2026-10-24 | 97,41 |
| 2026-10-26 | 97,33 |
| 2026-10-27 | 96,76 |
| 2026-10-28 | 96,21 |
| 2026-10-29 | 95,17 |
| 2026-10-30 | 95,13 |
| 2026-10-31 | 93,65 |
| 2026-11-01 | 93,33 |
| 2026-11-02 | 92,67 |
| 2026-11-03 | 92,65 |
| 2026-11-04 | 92,41 |
| 2026-11-05 | 92,13 |
| 2026-11-06 | 90,44 |
| 2026-11-07 | 90,48 |
| 2026-11-08 | 90,45 |
| 2026-11-10 | 90,29 |
| 2026-11-11 | 90,22 |
| 2026-11-13 | 90,12 |
| 2026-11-14 | 89,7 |
| 2026-11-15 | 89,68 |
| 2026-11-16 | 89,62 |
| 2026-11-18 | 88,91 |
| 2026-11-19 | 88,02 |
Indice chaîné : chaque jour ne compare que les sites interrogés ce jour-là et la veille ; les valeurs aberrantes et les pannes d'interrogation d'une plateforme entière sont exclues. Les jours sans paire comparable sont laissés vides.
Données du graphique
| Jour | Indice de recrutement |
|---|---|
| 2026-10-16 | 100 |
| 2026-10-17 | 100,03 |
| 2026-10-18 | 99,76 |
| 2026-10-19 | 99,68 |
| 2026-10-20 | 99,27 |
| 2026-10-21 | 98,6 |
| 2026-10-22 | 99,07 |
| 2026-10-23 | 97,4 |
| 2026-10-24 | 97,41 |
| 2026-10-26 | 97,33 |
| 2026-10-27 | 96,76 |
| 2026-10-28 | 96,21 |
| 2026-10-29 | 95,17 |
| 2026-10-30 | 95,13 |
| 2026-10-31 | 93,65 |
| 2026-11-01 | 93,33 |
| 2026-11-02 | 92,67 |
| 2026-11-03 | 92,65 |
| 2026-11-04 | 92,41 |
| 2026-11-05 | 92,13 |
| 2026-11-06 | 90,44 |
| 2026-11-07 | 90,48 |
| 2026-11-08 | 90,45 |
| 2026-11-10 | 90,29 |
| 2026-11-11 | 90,22 |
| 2026-11-13 | 90,12 |
| 2026-11-14 | 89,7 |
| 2026-11-15 | 89,68 |
| 2026-11-16 | 89,62 |
| 2026-11-18 | 88,91 |
| 2026-11-19 | 88,02 |
Combien d'offres MLOps ouvertes il y a et combien de spécialistes correspondants Zorky observe.
Demande et offre observée
Données du graphique
| Indicateur | Valeur |
|---|---|
| Demande ouverte | 354 |
| Demande ouverte | 354 |
| Offre observée | — non publié |
Ingénieur MLOps — la niche IA/ML la plus « résistante à la récession » (la production en a besoin en continu). Croissance 2026 portée par : l'infrastructure de serving des LLM (adoption de vLLM / TGI / SGLang), le déploiement de modèles de fondation en entreprise, la construction d'outillage interne de plateformes ML, la pression d'optimisation des coûts (coûts GPU typiques de $10K+/mois par équipe). Russie — flux régulier. Entreprises internationales de plateformes ML (Truefoundry / Bento / Determined AI / Run:AI) — segment premium à distance.
⚠ les candidats correspondant à une offre ne sont pas encore comptés : la demande et le vivier observé sont affichés
Comment se répartissent les salaires des offres MLOps, en dollars américains par mois.
Distribution des salaires
Données du graphique
| Indicateur | Valeur |
|---|---|
| <$1k | 0 |
| $1–2k | 1 |
| $2–3k | 1 |
| $3–4k | 3 |
| $4–5k | 3 |
| $5–6k | 1 |
| $6–7k | 7 |
| $7–8k | 3 |
| $8–9k | 6 |
| $9–10k | 3 |
| $10–12k | 4 |
| $12–15k | 5 |
| $15–20k | 3 |
| $20k+ | 1 |
- exploitable pour le calcul: 41 (11,6%)
- indiqué mais non converti en USD/mois: 49 (13,8%)
- non indiqué: 264 (74,6%)
Une offre sur dix propose moins de $3 894, une sur dix plus de $13 750. La moitié des offres propose entre $6 000 et $11 608. Échantillon: 41.
Données du graphique
| Indicateur | Borne inférieure | Borne supérieure | Nombre |
|---|---|---|---|
| <$1k | 0 | 1 000 | 0 |
| $1–2k | 1 000 | 2 000 | 1 |
| $2–3k | 2 000 | 3 000 | 1 |
| $3–4k | 3 000 | 4 000 | 3 |
| $4–5k | 4 000 | 5 000 | 3 |
| $5–6k | 5 000 | 6 000 | 1 |
| $6–7k | 6 000 | 7 000 | 7 |
| $7–8k | 7 000 | 8 000 | 3 |
| $8–9k | 8 000 | 9 000 | 6 |
| $9–10k | 9 000 | 10 000 | 3 |
| $10–12k | 10 000 | 12 000 | 4 |
| $12–15k | 12 000 | 15 000 | 5 |
| $15–20k | 15 000 | 20 000 | 3 |
| $20k+ | 20 000 | — | 1 |
Dans quels pays il y a le plus d'offres MLOps ouvertes.
Géographie de la demande
| pays | offres | part |
|---|---|---|
| États-Unis | 58 | 19,7% |
| Pologne | 50 | 16,9% |
| Inde | 26 | 8,8% |
| Royaume-Uni | 23 | 7,8% |
| Allemagne | 18 | 6,1% |
| France | 16 | 5,4% |
| Russie | 16 | 5,4% |
| Canada | 12 | 4,1% |
| Roumanie | 9 | 3,1% |
| Pays-Bas | 5 | 1,7% |
| Autres pays | 62 | 21% |
Le leader par nombre d'offres MLOps est les États-Unis (58 postes). La Pologne — un hub européen favorable aux plateformes IA. L'Allemagne — le cluster IA de Berlin. Un large segment international à distance via les entreprises de plateformes ML (Truefoundry / Bento / W&B / Comet / Determined AI) et les équipes MLOps des startups IA.
⚠ nombre d'offres uniquement : le salaire par pays n'est pas publié
Données du graphique
| Pays | Offres |
|---|---|
| US | 58 |
| PL | 50 |
| IN | 26 |
| GB | 23 |
| DE | 18 |
| FR | 16 |
| RU | 16 |
| CA | 12 |
| RO | 9 |
| NL | 5 |
Quelles technologies sont le plus souvent demandées dans la même offre que MLOps.
Utilisée avec
Part : combien des 354 offres du marché MLOps mentionnent cette technologie. Tri par nombre d’offres, pas par « force d’association ». Les termes génériques comme cloud ne désignent pas un cloud précis (AWS, Azure).
Stack MLOps principale 2026 : Python + Go en bonus, maîtrise de Docker + maîtrise de Kubernetes (standard de production), Helm + Kustomize + ArgoCD / FluxCD (GitOps), Terraform + Pulumi / CloudFormation (IaC), MLflow (registre de modèles + suivi — standard open source) + Kubeflow + Kubeflow Pipelines, Airflow / Prefect / Dagster (workflows), Feast / Tecton (feature stores), Triton Inference Server + BentoML + TorchServe + KServe (service des modèles), vLLM + TGI + SGLang + Ollama (service des LLM — indispensable en 2026), Prometheus + Grafana + Loki + OpenTelemetry, Evidently AI + WhyLabs + Arize AI + Fiddler (surveillance ML + dérive), DVC + LakeFS, AWS SageMaker / GCP Vertex AI / Azure ML / Databricks (ML managé dans le cloud), Spark + Ray (calcul distribué), NVIDIA GPU Operator + Kubeflow Training Operator + Spark Operator + Argo Workflows (operators ML pour K8s).
Couples courants : Kubernetes + Helm + ArgoCD + Terraform, MLflow + Kubeflow + Feast, Triton + KServe + Prometheus + Grafana, vLLM + TGI + SGLang (stack de serving LLM), AWS SageMaker + Terraform + GitHub Actions, GCP Vertex AI + Kubeflow Pipelines, Databricks + MLflow + Spark, Evidently AI + Prometheus + Grafana (observabilité ML). Feuille de route d'apprentissage : fondamentaux DevOps (Linux + Docker + K8s) → Terraform + plateforme cloud en profondeur → CI/CD + GitOps → bases du ML (Python + sklearn + PyTorch) → MLflow + Feast (socle de plateforme ML) → Triton / vLLM (serving) → Evidently AI (supervision) → projet personnel de plateforme ML → contributions open source.
Données du graphique
| Nom | Nombre |
|---|---|
| mlops | 277 |
| cloud | 147 |
| aws | 122 |
| python | 119 |
| docker | 105 |
| kubernetes | 102 |
| azure | 83 |
| mlflow | 56 |
| gcp | 52 |
| llm | 50 |
| airflow | 48 |
| databricks | 37 |
Combien d'offres MLOps il y a à chaque niveau, de junior à principal.
Demande par niveau
| niveau | offres |
|---|---|
| senior | 126 |
| middle | 30 |
| principal | 24 |
| lead | 16 |
| junior | 11 |
Junior — entrée typique : DevOps Middle + intérêt pour le ML OU ML Engineer Middle + intérêt pour l'infrastructure OU Backend Senior + formations ML. Parcours de carrière : Junior (1-2 ans) → Middle (2-3 ans) → Senior → soit MLOps Staff / Principal (profondeur technique), soit MLOps Tech Lead / Platform Engineering Manager, soit fondateur d'une startup de plateforme ML.
⚠ côté demande uniquement : le niveau du vivier observé est inconnu pour la majeure partie
Données du graphique
| Niveau | Nombre |
|---|---|
| senior | 126 |
| middle | 30 |
| principal | 24 |
| lead | 16 |
| junior | 11 |
Qui recrute le plus pour MLOps et à quel point la demande se concentre chez les plus grandes entreprises.
Employeurs
La demande est répartie entre 280 employeurs. Le plus grand en représente 1.2 %, les dix premiers 9.3 % ; les 90.7 % restants forment la longue traîne.
| part | valeur |
|---|---|
| top 1 | 1.2% |
| top 3 | 3.4% |
| top 10 | 9.3% |
| longue traîne | 90.7% |
⚠ les noms ne sont pas affichés : le classificateur ne distingue pas encore les agences de recrutement des employeurs finaux
Sur quels sites d'entreprises et sites d'emploi Zorky collecte les offres MLOps.
Où Zorky voit ce marché
Observé sur 71 sources ; la plus grande en représente 9.6 % : ce marché ne repose pas sur un seul canal.
Données du graphique
| Classe | Nom | Nom anglais | Nombre | Part |
|---|---|---|---|---|
| ats | ATS и карьерные сайты | ATS et sites carrières | 181 | 0,5113 |
| board | джоб-борды и агрегаторы | job boards et agrégateurs | 146 | 0,4124 |
| telegram | Telegram | Telegram | 25 | 0,0706 |
| communauté | сообщества и публичные профили | communauté et profils publics | 2 | 0,0056 |
Les offres MLOps les plus récentes, issues des pages carrières des entreprises.
Postes récents
- Inżynier MLOps (k/m) · RO
- Senior Inżynier MLOps (k/m) · RO
- MLOps Mühendisi · RO
- Junior Inżynier MLOps (k/m) · RO
- Senior Data Engineer, Taxonomy, AI Data Modeling, MLOps, YouTube Business · US
- AI/ML Platform MLOps Engineer · BR
- Oversee AI optimization, monitoring, security, and MLOps/LLMOps practices.
- Sr MLOps Engineer · US
Dernières offres MLOps ouvertes — les 10 postes les plus récents avec une qualité de description suffisante. La liste complète est dans notre CRM ou via le lien « voir tout » ci-dessous.
Marchés voisins
L'Ingénieur MLOps recoupe le DevOps (stack de base), le Platform Engineer (focus outillage interne — mobilité latérale facile), le ML Engineer (compréhension du workflow ML), le SRE (fiabilité + observabilité en profondeur), l'Ingénieur Backend (conception de systèmes + patterns d'API). Comparaison avec ml-engineer/data-scientist/research — dans le SiblingSubnichesChart ci-dessus.
⚠ les marchés voisins de comparaison ne sont pas encore définis
Comment c'est mesuré
- Offre
- une offre ouverte ayant passé le contrôle qualité et citant au moins deux technologies
- Candidat observé
- un candidat dont la stack contient cette technologie ; un agrégat — aucune fiche individuelle ne sort du périmètre
- Candidat correspondant
- pas encore compté
- Fenêtre
- offres ouvertes au moment de la création de l'instantané
À propos des données
- Certaines ventilations sont masquées : leur couverture de données n'est pas encore suffisante.
- Les statistiques ne sont affichées que là où l'échantillon passe un contrôle qualité.
- Un bloc absent ne signifie pas une valeur nulle.
Ventilations masquées actuellement : 8.
Domaine: IA / ML / Data Science
Spécialisations associées
Au sein du MLOps : Ingénieur MLOps (Middle — infrastructure pour une seule équipe produit), MLOps Senior (plateforme multi-équipes + optimisation des coûts), ML Platform Engineer (plateforme réutilisable en tant que produit pour l'organisation), MLOps Staff / Principal (architecture pour une organisation multi-produits), MLOps Tech Lead (gestion d'équipe + stratégie de plateforme). Comparaison avec ml-engineer/data-scientist/research — dans la barre ci-dessous.
Questions fréquentes
Les questions les plus fréquentes sur l'ingénieur MLOps : rémunération, MLOps vs DevOps vs Platform Engineer, MLflow vs Kubeflow vs Vertex AI vs SageMaker (arbre de décision à 7 options), différences avec le ML Platform Engineer, télétravail, comment le devenir (4-10 mois depuis DevOps Middle / ML Engineer Middle), compétences Senior (service des LLM + optimisation des coûts + plateforme multi-équipes). Les réponses sont recalculées automatiquement.
Quel est le salaire d'un ingénieur MLOps Junior, Middle, Senior ou Lead ?
MLOps Junior — entrée typique : 1) DevOps / SRE Middle + intérêt pour le ML, 2) ML Engineer Middle + intérêt pour l'infrastructure, 3) Backend Senior + connaissances ML (via des formations). Le saut Junior → Middle — après le premier déploiement de bout en bout d'une plateforme ML (Feature Store + Model Registry + stack de serving + supervision). Middle → Senior — responsabilité de plateforme multi-équipes + optimisation des coûts. Senior → Staff / Principal — architecture de la plateforme ML pour une organisation multi-produits + stratégie d'intégration avec les équipes DevOps / SRE / Data Platform. Parcours de carrière : DevOps Middle / ML Engineer Middle → MLOps Junior (1-2 ans) → Middle (2-3 ans) → Senior → soit MLOps Staff / Principal (profondeur), soit MLOps Tech Lead (management), soit fondateur d'une startup de plateforme ML.
Quelle stack est le plus souvent demandée à un ingénieur MLOps ?
Top 5 : mlops, ci/cd, cloud, aws, python. Python (en premier — pour l'infrastructure sur mesure), Go en bonus (pour les composants d'infra critiques en performance — p. ex. proxys de serving). Maîtrise de Docker (builds multi-étapes pour des images ML optimisées, conteneurs GPU). Maîtrise de Kubernetes (standard de production pour le serving ML — Deployment / StatefulSet / DaemonSet / Job / CronJob, RBAC, Network Policies, Resource Quotas, HPA / VPA / Cluster Autoscaler). GPU operator (NVIDIA GPU Operator pour l'ordonnancement GPU dans K8s). Opérateurs K8s pour le ML : Kubeflow Training Operator + Spark Operator + Argo Workflows. Helm + Kustomize + ArgoCD / FluxCD — standard GitOps. Terraform / Pulumi / CloudFormation (IaC pour le ML managé dans le cloud — ressources AWS / GCP / Azure). Maîtrise de MLflow (standard open source pour le registre de modèles + le suivi — le Senior gère la personnalisation des plugins MLflow). Kubeflow + Kubeflow Pipelines (orchestration ML native K8s — souvent exigée dans les grandes entreprises). Orchestrateurs de workflows : Airflow + Prefect + Dagster (l'un en profondeur — Dagster en hausse en 2026). Feature stores : Feast (open source) ou Tecton (managé) — indispensable pour un MLOps Senior. Serving de modèles : Triton Inference Server (NVIDIA — multi-framework + batching dynamique) + BentoML (adapté à Python) + TorchServe + KServe (serving natif K8s). Serving spécifique aux LLM : vLLM (PagedAttention — record pour le serving de LLM à haut débit), Text Generation Inference (TGI) de Hugging Face, SGLang (modèle de programmation pour le serving de LLM + mise en cache), Ollama (serving de LLM en local). Observabilité : Prometheus + Grafana + Loki + OpenTelemetry. Supervision ML + détection de dérive : Evidently AI + WhyLabs + Arize AI + Fiddler (l'un en profondeur). Versionnage des données : DVC + LakeFS. ML managé dans le cloud : l'un d'AWS SageMaker / GCP Vertex AI / Azure ML / Databricks en profondeur. Plateformes de calcul distribué : maîtrise de Spark + Ray. Optimisation des coûts : stratégie d'instances spot, partage de GPU (NVIDIA MIG), intégration de la quantification, stratégies de cache (Redis pour les résultats d'inférence), analyse des coûts de l'inférence batch vs temps réel.
MLOps vs DevOps vs Platform Engineer — quelle différence ?
Ingénieur DevOps — axé sur l'infrastructure applicative générale (CI/CD + monitoring + cloud + Kubernetes + IaC). Stack : Docker / K8s / Terraform / Prometheus / Grafana / Ansible / Jenkins / GitHub Actions / cloud (AWS / GCP / Azure). Voir Ingénieur DevOps (général) (quand la page sera publiée). Platform Engineer — DevOps + orientation outillage interne. Construit une plateforme pour les développeurs (gestion des clusters K8s + ArgoCD + IDP — Internal Developer Platform — Backstage / Port / Cortex). Ingénieur MLOps (cette page) — DevOps + orientation ML. Construit une plateforme ML pour les équipes DS / ML Engineer / Recherche. En plus de la stack DevOps : MLflow / Kubeflow / Feature Stores / Model Serving (Triton / vLLM) / ML Monitoring (Evidently / WhyLabs) / ML managé dans le cloud (SageMaker / Vertex AI). Ingénieur ML Platform — MLOps Senior orienté plateforme réutilisable en tant que produit (pour toute l'organisation, pas une seule équipe). Recoupements de carrière : DevOps Middle → MLOps Junior — 6-12 mois (apprendre la stack ML + Kubeflow / MLflow + ML managé dans le cloud). MLOps Senior ↔ Platform Engineer Senior — mobilité horizontale facile (beaucoup de stack commune). ML Engineer Middle → MLOps Junior — 4-8 mois (connaît déjà la stack ML, doit approfondir Kubernetes + Terraform + observabilité). DevOps → MLOps — plus éloigné que la reconversion vers Platform Engineer (lacune en ML).
MLflow vs Kubeflow vs Vertex AI vs SageMaker — que choisir ?
Arbre de décision pour le choix d'une plateforme ML 2026 : 1) MLflow (open source, neutre vis-à-vis des fournisseurs) — idéal pour le suivi des expériences + le model registry + un déploiement simple. Léger. Auto-hébergé ou managé (Databricks). Cas d'usage : socle de la plateforme ML pour la plupart des organisations. Choix par défaut 2026 pour le suivi ML au niveau d'une équipe. 2) Kubeflow + Kubeflow Pipelines (open source, natif Kubernetes) — idéal pour les grandes organisations K8s-first qui veulent une stack de plateforme ML complète sans dépendance à un fournisseur. Mise en place plus lourde. Comprend : Pipelines (workflow) + Training Operator (entraînement distribué) + Serving (KFServing → KServe) + Notebooks. Cas d'usage : grande entreprise + équipe mature sur Kubernetes + exigence multi-cloud / on-prem. 3) AWS SageMaker (managé) — idéal pour les organisations natives AWS. Complet : SageMaker Studio (IDE) + Training Jobs + Hyperparameter Tuning + Pipelines + Endpoints (temps réel + batch) + Model Registry + Feature Store + Clarify (détection des biais). Dépendance à AWS. Cas d'usage : organisation AWS-first + petite équipe ML — rentable grâce au nombre de fonctionnalités dans une seule plateforme. Coûteux à grande échelle. 4) GCP Vertex AI (managé) — l'équivalent SageMaker de Google. Points forts : Vertex AI Workbench (Jupyter dans le cloud), Pipelines (basés sur Kubeflow — portables), AutoML, accès aux TPU (pour la recherche / les grands entraînements), Model Garden (modèles préentraînés). Cas d'usage : organisation GCP-first + la portabilité Kubeflow compte. 5) Azure ML (managé) — l'équivalent Azure. Points forts : Designer (constructeur visuel de pipelines ML), AutoML, capacités MLOps, intégration native Azure. Cas d'usage : organisation Azure / Microsoft-first. 6) Databricks (managé multi-cloud) — idéal pour les workloads ML Spark-first + le Lakehouse. Les créateurs de MLflow. Tarifs premium. Cas d'usage : organisations à forte intensité de données avec un pattern Spark / Lakehouse. 7) Plateformes spécialisées : Weights & Biases (meilleure UX pour le suivi des expériences — favori des chercheurs), Comet (alternative à W&B), Neptune, Determined AI (plateforme d'entraînement distribué), Run:AI (orchestration GPU — racheté par NVIDIA), Truefoundry + Bento (serving de modèles moderne). Par défaut 2026 pour une nouvelle équipe ML : MLflow auto-hébergé (ou Databricks managé si forte utilisation de Spark) + serving sur Kubernetes (Triton / vLLM) + Feast (feature store) + Prometheus + Grafana + Evidently AI. Par défaut pour une entreprise native AWS : SageMaker (si le coût est acceptable + petite équipe) ou MLflow sur EKS + services sur mesure (moins cher à grande échelle). Par défaut pour une entreprise mature sur Kubernetes : Kubeflow + MLflow.
Quelle part des offres propose du télétravail ?
Parmi les offres dont le mode de travail est indiqué, 31% sont en télétravail. Les offres sans mode de travail indiqué sont exclues du dénominateur ; le travail hybride n’est pas compté comme du télétravail.
En quoi le ML Platform Engineer diffère-t-il de l'Ingénieur MLOps ?
MLOps Engineer (généraliste) — peut travailler dans n'importe quelle équipe ML (équipe produit / laboratoire de recherche / cabinet de conseil en IA). Stack : MLOps universel. ML Platform Engineer — un Senior MLOps centré sur une plateforme réutilisable pensée comme un produit pour toute l'organisation (et non pour une seule équipe). En plus : conception d'API internes (pour les autres ML Engineers / DS), outils en self-service (templates / scaffolding / outils CLI — du type generate-new-model-project), gestion des SLA des composants de la plateforme (objectifs de disponibilité / latence / débit), systèmes de refacturation des coûts (suivi de la consommation de calcul par équipe + facturation), documentation d'onboarding + programmes de formation pour les autres membres des équipes ML, gestion de la rétrocompatibilité des composants partagés de la plateforme, contributions open source aux composants de la plateforme (par ex. contributions à Feast / Kubeflow). Staff / Principal MLOps — encore plus haut, gère généralement une équipe de plateforme ML (3-7 ingénieurs MLOps + intégrations avec les leads DevOps / SRE / Data Platform). Choix de carrière : MLOps Engineer si vous aimez être sur le terrain avec un nouveau problème chaque jour, ML Platform Engineer si vous aimez construire des systèmes réutilisables et travailler avec plusieurs équipes utilisatrices. Les trois sont des parcours Senior+ légitimes.
Par où commencer en MLOps en 2026 ?
Feuille de route : 1) Socle DevOps solide — maîtrise de Linux + réseau + bash, maîtrise de Docker (builds multi-étapes + optimisation des couches + scan de sécurité), maîtrise approfondie de Kubernetes (Deployment / Service / Ingress / PVC / RBAC / Network Policies / HPA + bases des CRD personnalisés). Livres : « Kubernetes in Action » de Lukša, « The Kubernetes Book » de Poulton. 2) Maîtrise de l'IaC : Terraform en profondeur (modules / gestion de l'état / workspaces) + compréhension des patterns propres à chaque fournisseur cloud. Cours HashiCorp Learn (gratuit). Patterns GitOps avec ArgoCD / FluxCD. 4) Une plateforme cloud en profondeur — choisir AWS / GCP / Azure et passer la certification Solutions Architect Associate / Professional. 5) Bases du ML — minimum : Python + pandas + scikit-learn + PyTorch (bases) + comprendre les boucles d'entraînement / d'inférence. Cours fast.ai « Practical Deep Learning » Part 1. « Designing Machine Learning Systems » de Chip Huyen — à lire absolument en MLOps 2026 (pour comprendre le workflow ML de l'entraînement au déploiement). 6) Suivi des expériences + registre de modèles : maîtrise approfondie de MLflow (Tracking + Registry + Projects + Models). Installer un MLflow auto-hébergé sur EKS / GKE / AKS. 7) Stack de service ML : Triton Inference Server (multi-framework + batching dynamique) + BentoML + KServe. Service de LLM : maîtrise de vLLM (PagedAttention + batching continu) + TGI + SGLang. 8) Feature Store : Feast (open source) — le mettre en place de bout en bout sur un projet de test (hors ligne + en ligne + récupération). 9) Orchestration : l'un de Airflow / Prefect / Dagster + bases de Kubeflow Pipelines. 10) Supervision ML : Evidently AI (détection de dérive + qualité des données) + WhyLabs, Arize AI ou Fiddler — l'un en profondeur. 11) Projet personnel : déploiement complet d'une plateforme ML (cluster K8s + MLflow + Feast + Triton + Prometheus + Grafana + Evidently AI) avec un cycle de vie de modèle simple (entraîner → enregistrer → déployer → superviser → réentraîner). Documenter dans le README GitHub. 12) Contribution open source — Feast / Kubeflow / MLflow / vLLM / Triton — augmente nettement la valeur d'un CV MLOps. Formations russes : Karpov.Courses « MLOps », Otus « MLOps », filière MLOps de SkillFactory, intensif MLOps de Slurm. International (EN) : cours MLOps « Made with ML » de Goku Mohandas (gratuit, complet), cours MLOps de Hugging Face, Coursera « MLOps Specialization » de DeepLearning.AI, Databricks Academy MLOps. Livres à lire absolument : « Designing Machine Learning Systems » de Chip Huyen, « Machine Learning Design Patterns » de Lakshmanan, « Reliable Machine Learning » de Cathy Chen. DevOps Middle / ML Engineer Middle → MLOps Junior — 4-10 mois. Backend Senior → MLOps Junior — 8-14 mois (il faut apprendre la stack ML).
Combien d’offres ouvertes cet échantillon contient-il ?
L’échantillon publié contient 354 offres ouvertes après regroupement des republications. C’est le même nombre que dans l’indicateur principal. La section géographique décrit la couverture de l’échantillon ; il ne s’agit pas d’une estimation de l’ensemble du marché.
De quelles compétences un ingénieur MLOps Senior a-t-il besoin ?
Un MLOps Senior prend en charge le cycle complet d'ingénierie de la plateforme ML + le leadership technique. Maîtrise de la programmation : Python en profondeur + Go en bonus pour l'infrastructure critique en performance. Maîtrise de Docker : builds multi-étapes, optimisation des couches, conteneurs GPU, analyse de sécurité (Trivy / Snyk). Maîtrise approfondie de Kubernetes : Deployment / Service / Ingress / PVC / RBAC / Network Policies / HPA / VPA / Cluster Autoscaler, bases des CRD personnalisés, GPU Operator + Kubeflow Training Operator + Spark Operator + Argo Workflows. Maîtrise de l'IaC : Terraform en profondeur (modules / state / workspaces), l'un de Pulumi / CloudFormation en bonus. Maîtrise du GitOps : ArgoCD / FluxCD + patterns Kustomize / Helm. Plateforme cloud en profondeur : l'un de AWS / GCP / Azure au niveau Solutions Architect Professional. Maîtrise de MLflow : personnalisation approfondie + plugins + patterns multi-tenant. Kubeflow Pipelines : déploiement à l'échelle de l'entreprise + composants personnalisés + multi-tenant. Maîtrise des Feature Stores : Feast en profondeur (offline + online + récupération + supervision + multi-tenant) ou Tecton (managé). Maîtrise du serving de modèles : Triton Inference Server en profondeur (ensembles + batching dynamique + dépôts de modèles) + BentoML + KServe. Maîtrise du serving de LLM (indispensable en 2026) : vLLM en profondeur (PagedAttention + continuous batching + speculative decoding + optimisation du KV cache) + TGI + SGLang + Ollama. Plateformes de calcul distribué : maîtrise de Spark + Ray (Spark Operator sur K8s, Ray Train + Ray Serve). Observabilité en profondeur : Prometheus + Grafana + Loki + OpenTelemetry + métriques personnalisées + stratégies d'alerte. Supervision ML : patterns d'intégration Evidently AI + WhyLabs / Arize AI / Fiddler. Maîtrise de l'optimisation des coûts : stratégie d'instances spot + partage de GPU (NVIDIA MIG) + intégration de la quantification (INT8 / FP16 / FP4) + stratégies de cache (Redis pour les résultats d'inférence) + analyse des coûts de l'inférence batch vs temps réel + planification des instances réservées. Maîtrise de la sécurité : gestion des secrets (Vault / KMS cloud), network policies, sécurité de la chaîne d'approvisionnement (images signées), confidentialité des données (traitement des DCP dans les pipelines ML). Conception de systèmes pour les plateformes ML : concevoir au tableau blanc des plateformes ML à l'échelle de 100 M+ prédictions/jour + multi-tenant + multi-région. Soft skills : rédaction d'ADR pour les décisions de plateforme, rédaction technique (documentation de la plateforme + supports d'onboarding), revue de code pour plusieurs équipes, mentorat de MLOps Middle, collaboration inter-équipes (équipes DevOps / SRE / Data Platform / ML Engineer / DS / Recherche). Anglais INDISPENSABLE pour Senior+ — le MLOps implique un travail inter-équipes intensif en anglais. Bonus facultatif : contributions open source à Feast / Kubeflow / MLflow / vLLM / Triton — augmentent fortement la valeur sur le marché pour les laboratoires d'IA de pointe + les entreprises de plateformes ML.
Laisser une demande
Décrivez la tâche et laissez un contact : la demande arrive dans notre CRM et nous répondons au contact indiqué.