Développeur Apprentissage Machine Appliquée Intermédiaire

️ Travail à distance : Comme tu seras en télétravail en permanence, tu pourras travailler d’où tu veux, (y compris au bord d'une plage !), il suffit que ce soit sécuritaire et qu'il y ait une bonne connexion internet. 

✅ Flexibilité : Tu as une famille, tu aimes t’entrainer à 13h ou tu as simplement une vie remplie, on te comprend. Nos horaires flexibles de 35 heures te permettent de gérer ton horaire de manière à répondre à tes besoins personnels tout en étant pleinement engagé.e dans ton travail.

Salaire compétitif : Notre rémunération globale a été conçue afin d’être compétitive. Aussi, tu débutes avec minimum 5 semaines de vacances, peu importe le nombre d’années d’expérience.

‍♀️ Avantages sociaux : Parce que nous voulons ce qu’il y a de mieux pour le bien-être de notre équipe, nous offrons une vaste gamme d'avantages sociaux généreux, y compris un PAE, un REER et une assurance collective comprenant une assurance-vie, médicaments, vision, dentaire, voyage et bien plus !

Apprentissage continu : Nous nous engageons à te permettre d’acquérir une expertise et de la perfectionner en t’offrant un budget annuel pour continuer à te développer.

Collaborateurs.rices :  Travailler en groupe, c'est travailler avec le souci de l'harmonie et de l'efficacité des actions. Tu travailleras en étroite collaboration avec une équipe extraordinaire et talentueuse, et qui a à cœur d’apporter un impact concret sur le quotidien des professionnels.les de la santé et surtout améliorer l’expérience des patient.es!

À propos du rôle : (EN will follow)

L'ingénieur(e) en apprentissage automatique appliqué (niveau intermédiaire) va concevoir, développer et déployer des systèmes de machine learning de niveau production, capables de gérer des flux de données complexes du monde réel.

Ce rôle est très opérationnel et orienté exécution. La personne retenue sera responsable de transformer des problématiques ambiguës en solutions fiables et évolutives, tout en contribuant aux décisions techniques à travers toute la stack ML.

Il s’agit d’un poste de contributeur individuel, sans responsabilité de gestion d’équipe.

Responsabilités principales

• Solide expérience dans la conception de pipelines ML/data en production, incluant l’ingestion, le prétraitement et la transformation de données structurées et non structurées


• Expérience pratique en développement backend Python (FastAPI, modèles asynchrones, Pydantic ou équivalent), avec capacité à écrire du code maintenable et testable (pas seulement des notebooks)


• Expérience concrète avec des pipelines d’extraction d’information / NLP, incluant l’extraction d’entités, la normalisation et la gestion de données réelles et désordonnées (et non uniquement des jeux de données propres)


• Expérience dans la conception de systèmes ML hybrides (déterministes + LLM ou basés sur des règles), avec un contrôle clair des sorties et du comportement du système


• Capacité à évaluer rigoureusement les performances des systèmes ML, notamment par la création de jeux de données d’évaluation, la mesure de la précision/rappel/F1 et l’identification des modes d’échec


• Expérience dans le déploiement et l’exploitation de systèmes en production, incluant la surveillance, la journalisation et le débogage des pipelines ML


• À l’aise dans des environnements ambigus, avec la capacité de transformer des besoins produit en solutions techniques concrètes de bout en bout, avec un minimum de supervision

Qualifications

• Environ 4 années d’expérience en machine learning appliqué, ingénierie des données ou systèmes backend ML


• Excellente maîtrise de Python et expérience dans la mise en production de systèmes (au-delà de la recherche ou du prototypage)


• Expérience dans au moins un des domaines suivants :
  
  
  
  • Traitement du langage naturel (NLP)
  
  
  • Extraction d’information
  
  
  • Systèmes de recherche ou de récupération
  
  
  • Développement de pipelines de données
  
  

Capacité démontrée à :

• Travailler de manière autonome et prendre en charge des solutions techniques


• Naviguer dans des problématiques ambiguës et livrer des résultats concrets


• Trouver un équilibre entre rapidité d’exécution et conception à long terme

Connaissances de :

• Systèmes backend et conception d’API


• Collaboration interfonctionnelle avec les équipes produit et ingénierie

Environnement de travail

• Petite équipe collaborative avec un fort niveau de responsabilité individuelle


• Développement orienté produit avec un accent sur des résultats concrets


• Opportunité de travailler sur des défis de données complexes et réels


• Accent sur la création de systèmes fiables, maintenables et efficaces

Ce qui définit le succès dans ce rôle

• Capacité à livrer de manière autonome des solutions de bout en bout, du concept à la production


• Solide jugement technique dans le choix et l’implémentation des approches


• Amélioration continue des performances, de la fiabilité et de l’utilisabilité des systèmes


• Collaboration efficace avec des parties prenantes interfonctionnelles

-------------------------------------------------------------------------------

Applied Machine Learning Developer (intermediate)

About the Role

The Intermediate Applied Machine Learning Engineer is going to design, build, and deploy production-grade machine learning systems that support complex, real-world data workflows.

This role is hands-on and execution-focused. The successful candidate will be responsible for translating ambiguous problem spaces into reliable, scalable solutions, while contributing to technical decision-making across the ML stack.

This is an individual contributor role and does not include people management responsibilities.

Key Responsibilities

• Strong experience building production ML/data pipelines, including ingestion, preprocessing, and transformation of structured and unstructured data


• Hands-on experience with Python backend development (FastAPI, async patterns, Pydantic or equivalent), writing maintainable, testable code (not just notebooks)


• Practical experience with information extraction / NLP pipelines, including entity extraction, normalization, and handling real-world messy inputs (not just clean datasets)


• Experience designing hybrid ML systems (deterministic + LLM or rule-based), with clear control over outputs and system behavior


• Ability to evaluate ML system performance rigorously, including building evaluation datasets, measuring precision/recall/F1, and identifying failure modes


• Experience deploying and operating systems in production, including monitoring, logging, and debugging ML pipelines


• Comfortable working in ambiguous problem spaces, translating product needs into concrete, end-to-end technical solutions with minimal guidance

Qualifications

• Approx 4 years of experience in applied machine learning, data engineering, or backend ML systems


• Strong proficiency in python and experience building production systems (not limited to research or prototyping)


• Experience with at least one of the following:
  
  
  
  • Natural language processing (NLP)
  
  
  • Information extraction
  
  
  • Search or retrieval systems
  
  
  • Data pipeline development
  
  


• Demonstrated ability to:
  
  
  
  • Work independently and take ownership of technical solutions
  
  
  • Navigate ambiguous problem spaces and deliver practical outcomes
  
  
  • Balance speed of execution with long-term system design
  
  

• Familiarity with:
  
  
  
  • Backend systems and API design
  
  
  • Cross-functional collaboration with product and engineering team s
  
  

Working Environment

• Small, collaborative team with a high degree of ownership


• Product-focused development with an emphasis on practical outcomes


• Opportunity to work on complex, real-world data challenges


• Emphasis on building reliable, maintainable, and efficient systems

What Success Looks Like

• Ability to independently deliver end-to-end solutions from concept to production


• Strong technical judgment in selecting and implementing appropriate approaches


• Consistent delivery of improvements to system performance, reliability, and usability


• Effective collaboration with cross-functional stakeholders