Data Engineer Junior
Summary
Junior data engineer building and operating industrial ETL data pipelines that power business applications for the public sector (smart-city projects like building energy optimization and IoT sensor services). Stack: Python, FastAPI, Flyte, Docker/Kubernetes, Prometheus, Grafana, GitLab CI, with occasional NLP/LLM work.
Vous rejoignez une équipe qui construit et opère des flux de données industriels alimentant des applications métiers pour le secteur public, en particulier les collectivités et territoires.
Ci après des exemples concrets dans la Smart-City :
Optimisation des consommations énergétiques des bâtiments à l’échelle du territoire,
Récupérations des données des capteurs IoT pour fournir des services de propreté urbaine,
Construction de jeux de données permettant de faire des études démographiques,
Selon les projets, vous pourrez contribuer ponctuellement à l’industrialisation de briques IA (NLP/LLM notamment), mais ce n’est pas le cœur du rôle.
La diversité de nos clients et de leurs besoins implique des projets très variés : nouvelles sources, contraintes et patterns d’intégration.
Ce qu’on fait au quotidien dans ce rôle
Ateliers avec les clients/équipes métier pour vérifier qu’on a les bonnes données, au bon niveau de qualité, pour répondre au besoin.
Récupération de données transverses depuis des sources variées (dont IoT).
Standardisation et structuration orientées “produit” en coordination avec les équipes dev.
Mise en place de règles de qualité, de monitoring et d’alerting sur les flux ETL.
Investigation d’incidents (volumétrie, latence, ruptures de qualité), durcissement des pipelines.
Stack & environnement
ETL / orchestration : Flyte
Backend / services : Python, FastAPI
Déploiement : Docker, Kubernetes (clusters on-prem managés)
Observabilité : Prometheus, Grafana
CI/CD : GitLab CI
Standards (selon projets IoT) : FIWARE / NGSI-LD
Packaging Python : librairies internes réutilisables (wrappers, modèles, utilitaires)
Indispensable
Très bon niveau en Python (qualité logicielle, tests, packaging).
À l’aise avec Docker + les bases Kubernetes (déploiement, logs, debug).
Sensibilité “prod” : monitoring / alerting, analyse d’incidents, rigueur sur la qualité des flux.
Un plus
Orchestrateurs (Flyte, Airflow, Dagster, Prefect…).
IoT / messaging (MQTT/AMQP).
Standards FIWARE/NGSI-LD.
Notions MLOps/ML engineering (mise en prod, suivi, évaluation simple).
Connaissances GPU (nice-to-have, non requis).
Ce qu’on attend de vous
Logiquement, nous attendons une forte appétence en data engineering : ingestion, transformations, fiabilisation, gestion d’erreurs, rejouabilité.
Cependant, voici d’autres critères que nous recherchons au sein des profils : Esprit critique, autonomie, sens du concret. Rigueur sur la qualité de données et la robustesse en production. Curiosité et envie de faire évoluer l’outillage / les pratiques DataOps