ML Engineer

🚀 Pourquoi ce poste existe ? Chez Fleetiz, on conçoit une plateforme SaaS qui simplifie le quotidien des gestionnaires de flotte d’équipements. Notre outil est utilisé chaque jour par des professionnels sur le terrain, et notre base clients continue de grandir.

Pour Aller Plus Loin Et Apporter Encore Plus De Valeur à Nos Utilisateurs, Nous Voulons Intégrer Des Briques D’intelligence Artificielle Dans Notre Produit

• Détection de fraude et d’anomalies
• Analyse automatisée de documents
• Maintenance prédictive pour optimiser la disponibilité des flottes
  
  

Nous cherchons une personne capable de concevoir, développer et déployer ces modèles de manière robuste et industrialisée tout en s’assurant que les données utilisées soient propres, fiables et disponibles en continu.

❤️ Notre culture d’entreprise Chez Fleetiz, on fait le boulot sérieusement dans un environnement simple, sain et efficace.

Nos Valeurs

• Simplicité
• Modularité
• Autonomie
  
  

Nos modes de travail suivent ces principes : chacun avance librement, en confiance, avec de la rigueur et une exigence partagée, en toute bienveillance et transparence.

💰 Rémunération & conditions Chez Fleetiz, les salaires sont transparents et basés sur une grille claire, partagée en interne. Pas de négociation individuelle : le salaire est fixé selon ton niveau d’expérience et d’impact.

⭐ Nos plus : - Mutuelle Alan

• Tickets resto
• Forfait mobilités durables
• Dotation culture
  
  

✌️ Organisation du travail : - Horaires libres

• Télétravail flexible
• 7 semaines de congés
  
  

Pas de daily, pas de micro-management. Chacun est libre de s’organiser comme il l’entend, en bonne intelligence.

🧠 Conception & développement de modèles - Définir les cas d’usage IA en collaboration avec l’équipe produit

• Concevoir, entraîner et évaluer des modèles de Machine Learning et Deep Learning
• Documenter les approches et résultats pour faciliter leur compréhension par l’équipe
  
  

📊 Collecte et préparation des données (Data Engineering) - Identifier les sources de données pertinentes (internes et externes)

• Construire et maintenir des pipelines de données (ETL) robustes et automatisés
• Nettoyer, normaliser et enrichir les données pour les rendre exploitables
• Mettre en place un monitoring de la qualité et de la fraîcheur des données
  
  

⚙️ Industrialisation & déploiement - Mettre en production les modèles via API et les intégrer dans notre plateforme

• Optimiser les performances (temps d’inférence, consommation ressources)
• Surveiller la dérive des modèles et déclencher leur réentraînement si nécessaire
  
  

🔍 Qualité & validation - Définir les métriques de succès (précision, rappel, F1-score, etc.)

• Établir des plans de tests robustes pour valider les modèles avant leur mise en production
• Détecter et corriger les biais dans les données et les prédictions
  
  

🤝 Collaboration & transfert de compétences - Travailler avec les développeurs backend pour intégrer les modèles dans la stack technique

• Collaborer avec l’équipe produit pour prioriser les cas d’usage à fort impact
• Partager les bonnes pratiques ML/IA et évangéliser l’équipe sur les capacités de l’IA
  
  

Tu Es Fait·e Pour Ce Poste Si

• Tu as 5+ ans d’expérience en Machine Learning, IA ou Data Science.
• Tu maîtrises le Machine Learning (supervisé, non supervisé) et le Deep Learning
• Tu es à l’aise avec Python et ses bibliothèques (scikit-learn, pandas, PyTorch ou TensorFlow)
• Tu sais travailler avec des bases de données relationnelles (SQL) et gérer des datasets conséquents
• Tu es rigoureux·se et sais mettre en place des tests pour valider tes modèles
• Tu es orienté·e produit et cherches à avoir un impact concret sur l’usage final
  
  

Bonus

• Expérience en détection de fraude ou maintenance prédictive
• Connaissance des techniques de Computer Vision ou NLP pour l’analyse de documents
• Expérience de mise en production de modèles (API, CI/CD, MLOps)
• Connaissance des enjeux de scalabilité, performance et coût dans l’IA en production
• Premier échange
• Mise en situation et tests
• Entretien avec l’équipe
• Entretien final avec le CEO / CTO