Trouvez votre prochaine offre d’emploi ou de mission freelance FastAPI

MISSIONS PRINCIPALESLeadership technique de la squad Être le référent technique unique de la squad — vous arbitrez, vous tranchez, vous assumez Challenger le cadre architectural proposé par le pool d'architectes quand c'est pertinent Définir et faire respecter les standards de qualité du code (conventions, tests, revues) Être le premier point de contact en cas de blocage technique — diagnostiquer, débloquer, documenter Développement Full-Stack React.js / Python Construire l'application de bout en bout : interfaces React.js (data grids, formulaires dynamiques, visualisations financières), API Python back-end (FastAPI/Django REST), moteur de calcul multi-entités en PostgreSQL Transposer les logiques Excel complexes (SUMIF, INDEX/MATCH, WBS, agrégations) en code Python testable, maintenable et performant Garantir que les décisions techniques prises sous contrainte de temps restent défendables à moyen terme AI-Driven Development — à l'échelle de la squad Utiliser quotidiennement et intensivement GitHub Copilot, Cursor, Claude Code ou équivalents Définir les garde-fous qualité sur le code généré (revues systématiques, tests obligatoires, critères de validation) Partager des patterns de prompts réutilisables adaptés aux cas d'usage du projet Mentorat et co-construction Prendre la responsabilité réelle de la progression du développeur interne binôme Construire un plan de montée en compétences sur l'AI-driven development avec des jalons concrets Transférer l'autonomie

Tu rejoins une équipe pluridisciplinaire, en tant que ML Engineer, tu interviens sur l'ensemble du cycle de vie des features ML — de l'idée à la mise en production — en collaboration étroite avec les équipes back-end, front-end et produit. Parmi les sujets sur lesquels tu pourras contribuer : personnalisation des résultats de recherche / recommandations (nouveaux signaux, nouvelles architectures de modèles, A/B tests), refonte du système d'auto-complétion, amélioration des pipelines ML (automatisation, monitoring, observabilité), ou encore exploration proactive de nouvelles approches ML pour résoudre des problèmes utilisateurs concrets. Le poste est volontairement équilibré entre modélisation et industrialisation , dans un stack moderne : Python, PyTorch, TensorFlow, MLflow, Kubeflow, Airflow, KServe, AWS, FastAPI, Kubernetes