Senior Machine Learning Engineer - Computer Vision

À propos du rôle

Relevant du chef de la direction technologique (CTO), l'ingénieur principal ou l'ingénieure principale en apprentissage automatique est responsable de la recherche, du développement et du déploiement des modèles de vision par ordinateur au cœur de notre plateforme. Ceux-ci comprennent notamment les systèmes de segmentation qui détectent les défauts d'infrastructure et cartographient les actifs routiers à partir d'images acquises à grande échelle.

Il s'agit d'un rôle technique pratique, axé sur la segmentation par transformeurs. Vous prendrez en charge l'ensemble du cycle de vie des modèles, de la recherche à la mise en production : amélioration de la précision et de la robustesse, généralisation des modèles à différents systèmes de caméras, consolidation de modèles spécialisés en architectures unifiées, et collaboration avec les équipes DevOps et de développement afin d'assurer leur déploiement fiable et à grande échelle.

Responsabilités principales

• Concevoir, entraîner et évaluer des modèles d'apprentissage profond pour la segmentation sémantique, par instance et panoptique, appliqués à la détection de défauts d'infrastructure ainsi qu'à la segmentation des actifs et des scènes routières.
• Adapter et affiner (fine-tuning) des architectures de segmentation par transformeurs (p. ex. Mask2Former, OneFormer et les modèles de la famille DETR, y compris des variantes internes).
• Améliorer la généralisation des modèles afin d'assurer une performance fiable sur différents systèmes de caméras et dans diverses conditions d'imagerie, individuellement ou en combinaison.
• Consolider plusieurs points de contrôle (checkpoints) spécialisés en modèles multitâches unifiés afin de simplifier l'architecture de production.
• Collaborer avec l'équipe DevOps pour entraîner, déployer et surveiller les modèles sur AWS (y compris Amazon SageMaker), tout en optimisant les performances et les coûts d'inférence.
• Concevoir et maintenir des pipelines d'entraînement reproductibles, des bancs d'évaluation ainsi que des flux de travail liés aux jeux de données et à l'annotation.
• Diagnostiquer les défaillances des modèles et les problèmes de qualité des données, puis mettre en œuvre des améliorations mesurables en matière de précision, de robustesse et d'efficacité.
• Assurer une veille technologique sur les nouvelles architectures et techniques, puis recommander celles qui apportent une réelle valeur ajoutée à la plateforme.
• Maintenir une documentation technique claire, des registres d'expériences et des normes de gestion des versions des modèles.

Exigences du poste

• Minimum de cinq (5) années d'expérience appliquée en apprentissage automatique ou en vision par ordinateur, ou une maîtrise (M. Sc.) ou un doctorat (Ph. D.) dans un domaine pertinent accompagné d'au moins trois (3) années d'expérience appliquée.
• Solide maîtrise pratique de PyTorch.
• Expérience démontrée en segmentation par apprentissage profond (sémantique, par instance et/ou panoptique) appliquée à des images réelles.
• Expérience pratique des architectures de vision par transformeurs (Mask2Former, OneFormer, DETR ou équivalent).
• Bonne maîtrise des techniques de fine-tuning, d'apprentissage par transfert (transfer learning) et d'adaptation ou de généralisation de domaine.
• Expérience avec l'écosystème Hugging Face et/ou Detectron2.
• Aisance à entraîner et à déployer des modèles dans un environnement infonuagique (AWS de préférence; une expérience avec Amazon SageMaker constitue un atout important).
• Solides compétences en développement logiciel Python ainsi qu'en bonnes pratiques de développement (gestion des versions, tests et reproductibilité).
• Excellentes aptitudes en communication, en collaboration et en résolution de problèmes, ainsi que la capacité à gérer plusieurs priorités dans un environnement dynamique.

Atouts

• Expérience avec l'imagerie provenant de caméras industrielles, linéaires (line-scan) ou panoramiques.
• Expérience en géomatique (SIG), en télédétection ou dans des applications liées aux infrastructures et au génie civil.
• Expérience en MLOps, notamment en gestion du cycle de vie des modèles, en surveillance et en CI/CD appliqués à l'apprentissage automatique.
• Expérience en optimisation de modèles (quantification, distillation, ONNX, TensorRT ou équivalent) afin d'améliorer l'efficacité de l'inférence.
• Expérience dans l'unification de systèmes multitâches ou multimodèles au sein d'architectures consolidées.
• Publications évaluées par les pairs ou contributions à des projets de vision par ordinateur à code source ouvert.
• Expérience au sein d'une entreprise technologique ou d'une entreprise SaaS en forte croissance.