Staff/Principal Platform Engineer, ML & Data

Être le moteur principal et l'expert dans la conception, la construction et l'exploitation de la plateforme unifiée de données et d'AA en tant que système unique :

• Infrastructure d'ingestion et de pipeline - définir des systèmes d'ingestion évolutifs et fiables pour les sources de données par lots et en continu; établir des normes pour l'évolution des schémas, les contrats de données et la lignée de bout en bout; optimiser la stratégie de calcul et de coûts pour diverses charges de travail. • Architecture d'entrepôt de données et de lac de données (Lakehouse) - concevoir la plateforme de données analytiques de base; définir les stratégies de la couche de stockage, le partitionnement et les modèles d'accès; établir des normes de modélisation des données, de performance et de rentabilité qui servent à la fois les consommateurs analytiques et d'AA. • Couche de transformation et d'orchestration - diriger la conception de systèmes de transformation évolutifs et maintenables (par exemple, dbt, Spark); définir des normes d'orchestration et la gestion des dépendances; appliquer des contrats de qualité des données et des cadres de test qui alimentent à la fois les analyses en aval et la formation de modèles d'AA. • Plateforme de fonctionnalités (Feature Platform) - diriger la conception de systèmes de fonctionnalités (features) réutilisables et de haute qualité, faisant le pont entre les couches de données et d'AA; appliquer des contrats de cohérence hors ligne/en ligne; normaliser les définitions de fonctionnalités, la propriété et la découvrabilité pour les consommateurs analytiques et de modèles. • Infrastructure de formation - définir des systèmes de formation et de remplissage (backfill) évolutifs et reproductibles; établir des normes pour le versionnage des ensembles de données, la lignée et la reproductibilité; optimiser la stratégie de calcul pour les charges de travail par lots et distribuées. • Inférence et diffusion en temps réel - concevoir des systèmes de diffusion de modèles à faible latence et haute disponibilité; définir des stratégies de déploiement (canary, shadow, A/B); établir des modèles d'auto-mise à l'échelle, de routage du trafic et d'isolation des pannes à grande échelle. • Observabilité et fiabilité (de bout en bout) - établir des normes pour la qualité des données, la dérive des fonctionnalités et la surveillance des performances des modèles sur l'ensemble du cycle de vie; définir les SLO (objectifs de niveau de service) et les pratiques opérationnelles; diriger les cadres de réponse aux incidents et la culture de post-mortem couvrant les systèmes de données et d'AA. • Outils et évolution de la plateforme - évaluer, intégrer et rationaliser les composants de la plateforme de données et d'AA (par exemple, Kafka, dbt, Spark, MLflow, magasins de fonctionnalités, systèmes de diffusion); diriger des migrations à grande échelle et la simplification de la plateforme avec un minimum de perturbations. • Leadership technique et stratégie (portée Staff) - définir l'orientation architecturale de la plateforme unifiée; définir la stratégie à long terme et favoriser l'alignement inter-équipes; identifier et prioriser les investissements à plus fort effet de levier liés aux résultats commerciaux. Ce que vous apporterez • Expérience de plateforme de bout en bout - 10 ans et plus dans la construction et l'exploitation de plateformes de données et d'AA en production; propriété avérée de systèmes couvrant le cycle de vie complet, de l'ingestion à l'inférence et à la prise de décision en temps réel. • Génie logiciel - forte maîtrise de Python, Scala ou Go; expérience éprouvée dans la construction et l'évolution de systèmes distribués complexes avec une fiabilité, une maintenabilité et des normes d'ingénierie élevées. • Maîtrise des systèmes de données et d'AA - compréhension approfondie des architectures de plateforme de données (entrepôt, lac de données, pipelines) et de plateforme d'AA (magasins de fonctionnalités, formation, diffusion); capacité à évaluer les compromis entre latence, cohérence, fraîcheur et débit dans un système unifié. • Plateforme de fonctionnalités et diffusion - forte expérience dans la conception et l'exploitation de magasins de fonctionnalités avec cohérence hors ligne/en ligne; expertise approfondie dans les architectures de diffusion de modèles (temps réel, par lots, sans serveur) avec livraison progressive (A/B, canary, shadow). • Pipelines en continu et par lots - forte expérience des systèmes en continu (par exemple, Kafka, Flink) et des cadres par lots (par exemple, Spark, dbt); compréhension claire des compromis entre latence, débit et coût pour les charges de travail analytiques et d'AA. • Observabilité et opérations - forte rigueur opérationnelle dans les systèmes de données et d'AA (métriques, journaux, traces, qualité des données); expérience dans la définition des SLO, la planification de la capacité, l'optimisation des coûts et la direction de la réponse aux incidents sur l'ensemble de la pile de la plateforme. • Leadership technique (niveau Staff) - définit l'orientation technique des équipes; encadre les ingénieurs; dirige les revues de conception et les décisions architecturales couvrant les données et l'AA; équilibre la livraison à court terme avec la santé de la plateforme à long terme. • Collaboration et influence - fonctionne efficacement avec les équipes de science des données, d'analyse, de DevOps et de backend; influence sans autorité; traduit les besoins commerciaux en une stratégie de plateforme unifiée et en exécution dans les domaines des données et de l'AA. **English Job Posting:

Role Overview** Reporting to the VP of Data and Machine Learning Platform, the Staff Platform Engineer, Data & ML is responsible for defining and scaling the unified platform that powers the full data and ML lifecycle at Mistplay - from raw ingestion to real-time model serving. This role is not about modeling or analysis - it is about owning the data and ML platform as a single, cohesive system at scale. You will set technical direction across the entire lifecycle, own critical platform components end-to-end, and establish best practices that enable data and models to move from experimentation to real-time business impact with speed and trust. You will operate as a technical leader across teams, partnering with Data Science, Data Engineering, and Backend to reduce decision latency, increase throughput across both analytical and ML workloads, and improve data trust from ingestion through inference. What You'll Do Be the main driver and expert for designing, building, and operating the unified data and ML platform as a single system: • Ingestion & Pipeline Infrastructure - define scalable, reliable ingestion systems for batch and streaming data sources; drive standards for schema evolution, data contracts, and end-to-end lineage; optimize compute and cost strategy across diverse workloads. • Data Warehouse & Lakehouse Architecture - architect the core analytical data platform; define storage layer strategies, partitioning, and access patterns; establish standards for data modeling, performance, and cost efficiency that serve both analytical and ML consumers. • Transformation & Orchestration Layer - lead design of scalable, maintainable transformation systems (e.g., dbt, Spark); define orchestration standards and dependency management; enforce data quality contracts and testing frameworks that feed both downstream analytics and ML training. • Feature Platform - lead design of high-quality, reusable feature systems bridging the data and ML layers; enforce offline/online consistency contracts; drive standardization for feature definitions, ownership, and discoverability across both analytical and model consumers. • Training Infrastructure - define scalable, reproducible training and backfill systems; drive standards for dataset versioning, lineage, and reproducibility; optimize compute strategy across batch and distributed workloads. • Real-Time Inference & Serving - architect low-latency, highly available model serving systems; define deployment strategies (canary, shadow, A/B); establish patterns for autoscaling, traffic routing, and failure isolation at scale. • Observability & Reliability (End-to-End) - establish standards for data quality, feature drift, and model performance monitoring across the full lifecycle; define SLOs and operational practices; lead incident response frameworks and postmortem culture spanning data and ML systems. • Platform Tooling & Evolution -evaluate, integrate, and rationalize platform components across the data and ML stack (e.g., Kafka, dbt, Spark, MLflow, feature stores, serving systems); lead large-scale migrations and platform simplification with minimal disruption. • Technical Leadership & Strategy (Staff Scope) - set architecture direction across the unified platform; define long-term strategy and drive cross-team alignment; identify and prioritize highest-leverage investments tied to business outcomes. What You'll Bring • End-to-End Platform Experience - 10+ years of experience building and operating production data and ML platforms; proven ownership of systems spanning the full lifecycle from ingestion to real-time inference and decisioning. • Software Engineering - strong proficiency in Python, Scala, or Go; track record of building and evolving complex distributed systems with high reliability, maintainability, and strong engineering standards. • Data & ML Systems Depth - deep understanding of both data platform (warehousing, lakehouse, pipelines) and ML platform (feature stores, training, serving) architectures; ability to reason about trade-offs across latency, consistency, freshness, and throughput in a unified system. • Feature Platform & Serving - strong experience designing and operating feature stores with offline/online consistency; deep expertise in model serving architectures (real-time, batch, serverless) with progressive delivery (A/B, canary, shadow). • Streaming & Batch Pipelines - strong experience with streaming systems (e.g., Kafka, Flink) and batch frameworks (e.g., Spark, dbt); clear understanding of trade-offs across latency, throughput, and cost for both analytical and ML workloads. • Observability & Operations - strong operational rigor across data and ML systems (metrics, logs, traces, data quality); experience defining SLOs, capacity planning, cost optimization, and leading incident response across the full platform stack. • Technical Leadership (Staff Level) - sets technical direction across teams; mentors engineers; drives design reviews and architectural decisions spanning data and ML; balances short-term delivery with long-term platform health. • Collaboration & Influence - operates effectively across Data Science, Analytics, DevOps, and Backend; influences without authority; translates business needs into unified platform strategy and execution across both data and ML domains.