Gestionnaire, Science des données et apprentissage automatique

About this role

Le Gestionnaire, science des données et apprentissage automatique (Machine Learning) est responsable de guider une équipe hautement performante de scientifiques des données afin de livrer des solutions percutantes et prêtes pour la production à l'échelle de l'organisation. À ce titre, vous superviserez la livraison des modèles de science des données et d'apprentissage automatique (DS/ML), de l'étape de l'expérimentation jusqu'à la mise en production. Vous serez également responsable de la planification de la feuille de route d'habilitation de la science des données (Data Science Enablement), tout en contribuant aux feuilles de route globales du Bureau des données (Data Office) et en renforçant les capacités de l'équipe nécessaires à la mise à l'échelle de cette pratique.

GESTION ET HABILITATION DE LA SCIENCE DES DONNÉES

- Diriger, superviser et prendre en charge, au besoin, le cycle de vie complet des modèles DS/ML, de l'expérimentation au déploiement en production.

- Assurer la gestion quotidienne de l'équipe en veillant à la bonne priorisation du travail, en éliminant les obstacles et en veillant au respect constant des normes de livraison.

- Définir, documenter et promouvoir les meilleures pratiques en science des données : normes de modélisation, qualité du code, cadres d'expérimentation et documentation.

- Agir à titre d'expert thématique et de ressource interne pour les autres équipes de science des données : conseiller sur les méthodologies, réviser les approches et aider à résoudre des problèmes complexes ou ambigus.

- Collaborer avec les leaders en science des données d'autres secteurs de l'entreprise afin d'aligner les normes, partager les apprentissages et créer une communauté de pratique cohésive. De plus, identifier les occasions de collaboration, signaler les doublons de travail et faciliter le transfert de connaissances au sein de l'organisation.

- Collaborer avec l'équipe MLOps pour le déploiement en production et la maintenance continue des modèles.

LEADERSHIP D'ÉQUIPE ET DÉVELOPPEMENT DES TALENTS

- Établir des attentes claires et des objectifs de performance individuels pour tous les membres de l'équipe sous votre responsabilité directe.

- Tenir des rencontres individuelles (1:1) régulières, fournir des rétroactions constructives et opportunes, et diriger les évaluations de performance.

- Identifier les occasions de croissance, proposer des mandats de développement stimulants (stretch assignments) et bâtir des plans de développement individualisés.

- Favoriser une culture d'équipe collaborative où l'expérimentation et l'apprentissage par l'erreur sont encouragés, y compris pour les nouvelles fonctionnalités d'IA/ML ou d'autres approches expérimentales.

GESTION DES PARTIES PRENANTES ET COMMUNICATION

- Participer aux séances de planification de projets et de remue-méninges techniques avec les partenaires d'affaires et les autres leaders du Bureau des données en tant qu'expert, afin d'aider à concevoir et à traduire les problèmes d'affaires en cahiers des charges techniques, et communiquer les résultats en termes simples et non techniques.

- Gérer les attentes de manière proactive, soulever les risques rapidement et exercer une influence auprès des équipes interfonctionnelles.

- Présenter et valoriser le travail de l'équipe lors des forums de direction, des comités de pilotage et des revues d'affaires trimestrielles.

ET UN PETIT PLUS...

- Contribuer, au sein de l'équipe élargie, à l'atteinte des objectifs organisationnels, même lorsque cela implique d'accomplir des tâches qui dépassent le cadre strict de vos fonctions.

EXPÉRIENCE REQUISE

Le candidat idéal a personnellement déployé des modèles en production à grande échelle, a géré des équipes tout au long du cycle de vie de la science des données, possède un excellent instinct de priorisation, s'épanouit dans des environnements ambigus et sait naviguer à travers un grand volume d'idées de projets concurrents pour concentrer l'équipe sur le travail à plus forte valeur ajoutée.

- Plus de 3 ans d'expérience pratique en science des données, avec une expérience personnelle directe dans le déploiement de modèles en production (et non seulement dans l'expérimentation ou le prototypage).

- Expérience démontrée avec les pratiques d'ingénierie ML, incluant le service de modèles, la surveillance, la détection de dérive, les pipelines de réentraînement et/ou les magasins de caractéristiques. Vous n'avez pas besoin d'être ingénieur, mais vous devez être en mesure de les gérer de manière crédible.

- Bonne connaissance des outils MLOps modernes (ex. : MLflow, Vertex AI, Databricks).

- Plus de 4 ans d'expérience en gestion directe d'une équipe de scientifiques des données, incluant le recrutement, la gestion de la performance et le développement de carrière.

- Maîtrise de Python; aisance à lire et à réviser du code, des modèles et des logiques de pipelines.

- Solide compréhension de l'apprentissage supervisé et non supervisé (ML), de l'évaluation des modèles et des modes de défaillance courants en production.

- Fluidité avec les concepts MLOps pour collaborer efficacement avec les ingénieurs ML seniors dans la définition des normes, la révision des décisions d'infrastructure et la résolution des défis techniques.

- Aisance avec les plateformes ML basées sur le cloud (AWS, GCP ou Azure) et les environnements d'entrepôts de données.

- Pensée stratégique : capacité à prendre du recul pour prioriser en fonction de l'impact, puis à plonger dans les détails pour aider à débloquer des situations.

- Excellent communicateur : capacité à traduire des concepts techniques complexes pour des auditoires de direction, sans toutefois les simplifier à outrance.

- Esprit structuré : capacité à évaluer rapidement une nouvelle idée de projet selon sa valeur, sa faisabilité, son risque et son adéquation stratégique.

- Proactivité : capacité à identifier les dépendances, les risques et les…