About the role Reporting to the Chief Technology Officer (CTO), the Senior Machine Learning Engineer is responsible for researching, developing, and deploying the computer-vision models at the core of our platform — the segmentation systems that detect infrastructure defects and map road assets from large-scale imagery. This is a hands-on technical role focused on transformer-based segmentation. You will own models from research through production: improving accuracy and robustness, generalizing models across different camera systems, consolidating task-specific models into unified architectures, and partnering with our DevOps and Engineering teams to bring them reliably into production at scale.

What you'll do Research, design, train, and evaluate deep-learning models for semantic, instance, and panoptic segmentation, applied to infrastructure-defect detection and road-asset/scene segmentation Fine-tune and adapt transformer-based segmentation architectures (e.g., Mask2Former, OneFormer, and DETR-family models, including custom in-house variants) Improve domain generalization so models perform reliably across heterogeneous camera systems and imaging conditions, both individually and in combination Consolidate multiple task- or defect-specific checkpoints into unified, multi-task models to simplify the production footprint Partner with the DevOps team to train, deploy, and monitor models on AWS (including Amazon SageMaker), and to optimize inference performance and cost Build and maintain reproducible training pipelines, evaluation benchmarks, and dataset/annotation workflows Diagnose model failures and data-quality issues, and drive measurable improvements in accuracy, robustness, and efficiency Track emerging architectures and techniques, and recommend where they create real value for the platform Maintain clear technical documentation, experiment records, and model-versioning standards

Qualifications Minimum of 5 years of applied machine-learning / computer-vision experience, or a graduate degree (MSc/PhD) ina relevant field plus 3+ years of applied experience Strong, hands-on proficiency with PyTorch Demonstrated experience with deep-learning segmentation (semantic, instance, and/or panoptic) on real-world image data Practical experience with transformer-based vision architectures (Mask2Former, OneFormer, DETR, or similar) Solid command of fine-tuning, transfer learning, and domain-adaptation/generalization techniques Experience with the Hugging Face ecosystem and/or detectron2 Comfort training and deploying models in a cloud environment (AWS preferred; experience with Amazon SageMaker a strong asset) Strong Python engineering skills and good software practices (version control, testing, reproducibility) Excellent communication and collaboration skills, and the ability to manage priorities in a fast-paced environment

Nice to Have Experience working with imagery from industrial, line-scan, or panoramic camera systems Background in geospatial / GIS, remote sensing, or infrastructure/civil applications MLOps experience: model lifecycle management, monitoring, and CI/CD for ML Model-optimization experience (quantization, distillation, ONNX/TensorRT, or similar) for efficient inference Experience unifying multi-task or multi-model systems into consolidated architectures Peer-reviewed publications or open-source contributions in computer vision Experience in a fast-growing SaaS or technology-driven organization

Version française:

À propos du rôle Relevant du chef de la direction technologique (CTO), l'ingénieur principal ou l'ingénieure principale en apprentissage automatique est responsable de la recherche, du développement et du déploiement des modèles de vision par ordinateur au cœur de notre plateforme. Ceux-ci comprennent notamment les systèmes de segmentation qui détectent les défauts d'infrastructure et cartographient les actifs routiers à partir d'images acquises à grande échelle.

Il s'agit d'un rôle technique pratique, axé sur la segmentation par transformeurs. Vous prendrez en charge l'ensemble du cycle de vie des modèles, de la recherche à la mise en production : amélioration de la précision et de la robustesse, généralisation des modèles à différents systèmes de caméras, consolidation de modèles spécialisés en architectures unifiées, et collaboration avec les équipes DevOps et de développement afin d'assurer leur déploiement fiable et à grande échelle.

Responsabilités principales Concevoir, entraîner et évaluer des modèles d'apprentissage profond pour la segmentation sémantique, par instance et panoptique, appliqués à la détection de défauts d'infrastructure ainsi qu'à la segmentation des actifs et des scènes routières. Adapter et affiner (fine-tuning) des architectures de segmentation par transformeurs (p. ex. Mask2Former, OneFormer et les modèles de la famille DETR, y compris des variantes internes). Améliorer la généralisation des modèles afin d'assurer une performance fiable sur différents systèmes de caméras et dans diverses conditions d'imagerie, individuellement ou en combinaison. Consolider plusieurs points de contrôle (checkpoints) spécialisés en modèles multitâches unifiés afin de simplifier l'architecture de production. Collaborer avec l'équipe DevOps pour entraîner, déployer et surveiller les modèles sur AWS (y compris Amazon SageMaker), tout en optimisant les performances et les coûts d'inférence. Concevoir et maintenir des pipelines d'entraînement reproductibles, des bancs d'évaluation ainsi que des flux de travail liés aux jeux de données et à l'annotation. Diagnostiquer les défaillances des modèles et les problèmes de qualité des données, puis mettre en œuvre des améliorations mesurables en matière de précision, de robustesse et d'efficacité. Assurer une veille technologique sur les nouvelles architectures et techniques, puis recommander celles qui apportent une réelle valeur ajoutée à la plateforme. Maintenir une documentation technique claire, des registres d'expériences et des normes de gestion des versions des modèles. Exigences du poste Minimum de cinq (5) années d'expérience appliquée en apprentissage automatique ou en vision par ordinateur, ou une maîtrise (M. Sc.) ou un doctorat (Ph. D.) dans un domaine pertinent accompagné d'au moins trois (3) années d'expérience appliquée. Solide maîtrise pratique de PyTorch. Expérience démontrée en segmentation par apprentissage profond (sémantique, par instance et/ou panoptique) appliquée à des images réelles. Expérience pratique des architectures de vision par transformeurs (Mask2Former, OneFormer, DETR ou équivalent). Bonne maîtrise des techniques de fine-tuning, d'apprentissage par transfert (transfer learning) et d'adaptation ou de généralisation de domaine. Expérience avec l'écosystème Hugging Face et/ou Detectron2. Aisance à entraîner et à déployer des modèles dans un environnement infonuagique (AWS de préférence; une expérience avec Amazon SageMaker constitue un atout important). Solides compétences en développement logiciel Python ainsi qu'en bonnes pratiques de développement (gestion des versions, tests et reproductibilité). Excellentes aptitudes en communication, en collaboration et en résolution de problèmes, ainsi que la capacité à gérer plusieurs priorités dans un environnement dynamique. Atouts Expérience avec l'imagerie provenant de caméras industrielles, linéaires (line-scan) ou panoramiques. Expérience en géomatique (SIG), en télédétection ou dans des applications liées aux infrastructures et au génie civil. Expérience en MLOps, notamment en gestion du cycle de vie des modèles, en surveillance et en CI/CD appliqués à l'apprentissage automatique. Expérience en optimisation de modèles (quantification, distillation, ONNX, TensorRT ou équivalent) afin d'améliorer l'efficacité de l'inférence. Expérience dans l'unification de systèmes multitâches ou multimodèles au sein d'architectures consolidées. Publications évaluées par les pairs ou contributions à des projets de vision par ordinateur à code source ouvert. Expérience au sein d'une entreprise technologique ou d'une entreprise SaaS en forte croissance.