Data Engineer (h/f)

Acteur international du conseil et des technologies, Keyrus a pour mission de donner du sens aux données, en révélant toute leur portée, notamment sous un angle humain.
Notre proposition de valeur est fondée sur des groupes de services aux offres multiples :
. Automatisation et intelligence artificielle : nous fournissons à nos clients les moyens d'améliorer leur productivité et leur précision sur l'ensemble de leurs processus, afin de se concentrer sur le travail à plus forte valeur ajoutée.
. Expérience numérique centrée sur l'humain : la relation avec les clients et l'engagement des collaborateurs constituent deux des plus grands contributeurs au succès global des entreprises. Nous aidons les entreprises à imaginer et à créer des expériences numériques multimodales et fluides pour atteindre leurs objectifs.

Le Data Engineer prépare et fiabilise la donnée qui alimente les systèmes intelligents : pipelines robustes, plateformes data modernes, exposition de la donnée aux agents autant qu'aux tableaux de bord. Sans donnée prête et gouvernée, aucun système d'IA ne tient en production.

Ce qui vous attend

• Vous concevez et industrialisez des pipelines de données robustes, de la donnée brute jusqu'à son exploitation par les applications et les agents.

• Vous déployez et exploitez des plateformes data modernes (lakehouse, entrepôts cloud) pour rendre la donnée accessible, gouvernée et performante à l'échelle.

• Vous rendez la donnée exploitable par des systèmes d'IA générative et agentique (Anthropic, OpenAI, Mistral, Google Gemini, etc.) : structuration pour le RAG, alimentation de bases vectorielles, préparation de jeux de données pour l'évaluation de modèles.

• Vous garantissez la qualité, la fraîcheur et la traçabilité de la donnée par des tests et des contrats de données, pas seulement par une supervision manuelle.

• Vous transformez rapidement une maquette en preuve de concept exploitable, pour valider un cas d'usage avant d'industrialiser le pipeline définitif.

• Vous mettez en place la restitution (BI, tableaux de bord) lorsque le cas d'usage l'exige, en complément de l'exposition de la donnée aux agents.
  

• 
  

Ce que vous apportez

Le socle Architect of Intelligence : des qualités indispensables, présentes dans les critères ci-dessous : curiosité, créativité, communication, conscience professionnelle, culture, capacité à faire.

Expérience et parcours

• Une expérience significative de conception et d'industrialisation de pipelines de données en production, quel que soit votre point de départ : ESN, éditeur, startup, ou client final.

• Une pratique avérée des plateformes data modernes (cloud ou lakehouse), au-delà de l'ETL traditionnel.

• Une expérience, si possible, de préparation de données au service de systèmes d'IA générative ou agentique.
  

Posture et savoir-être

• Une rigueur d'ingénierie sur la qualité et la fiabilité de la donnée : une donnée non fiable invalide tout ce qui est construit au-dessus.

• Une curiosité pour les usages permis par la donnée que vous préparez, au-delà du pipeline lui-même.

• Une capacité à collaborer avec l'AI Engineer et le Foundations Architect sur l'exposition de la donnée aux modèles et aux agents.

• Une autonomie réelle pour transformer un besoin encore mal défini en preuve de concept exploitable.

• Une capacité à produire, documenter et transmettre les pipelines que vous construisez, pour qu'ils restent exploitables au-delà de votre présence sur la mission.
  

Compétences techniques indispensables

• Maîtrise avancée de SQL, socle non négociable quel que soit le langage dominant.

• Maîtrise d'un langage de pipeline en profondeur : Python en priorité, Java ou Scala selon l'écosystème (Spark, Kafka).

• Mise en œuvre de traitements distribués avec Apache Spark.

• Orchestration de pipelines de données avec Airflow ou Dagster.

• Transformation de données industrialisée avec dbt.

• Déploiement et exploitation de plateformes data cloud (Snowflake, BigQuery, Databricks).

• Conception d'architectures de streaming et de traitement de données en temps réel (Kafka), lorsque le cas d'usage l'exige.

• Utilisation de bases de données vectorielles pour des cas d'usage RAG (Pinecone, Milvus, Chroma, ou équivalent).

• Compréhension pratique du prompting et de la préparation de jeux de données pour l'évaluation de modèles de langage (Anthropic, OpenAI, Mistral, Google Gemini, etc.).

• Mise en place de tests et de contrats de données pour garantir la qualité et l'observabilité de la donnée.

• Modélisation et préparation de données pour des usages analytiques et opérationnels.

• Prototypage rapide à l'aide d'outils légers (Streamlit) pour transformer une maquette en preuve de concept exploitable.

• Production, documentation et transmission des pipelines, pour qu'ils restent exploitables au-delà de votre présence.

• Anglais professionnel courant, à l'écrit comme à l'oral, indispensable quel que soit le niveau d'expérience.