Chef de projet Intégration DevOps & ML Engineer Cloud

Contexte

Au sein du Pôle Infrastructure Technique de la DSI, la squad IA / MLOps assure l'industrialisation, le déploiement, la sécurisation et le maintien en condition opérationnelle des solutions d'Intelligence Artificielle (Machine Learning, Computer Vision, GenAI/LLM) sur des environnements multi-cloud (AWS, Azure et GCP).

Pour accompagner nos projets, nous recherchons un Chef de projet Intégration, DevOps & ML Engineer expérimenté. Intervenant à l'interface entre les équipes Métier / Data Science et les équipes Infrastructure / Exploitation, le prestataire formera un binôme technique étroit avec une ingénieure ML/MLOps déjà en poste afin d'assurer la continuité de service et de faire évoluer deux volets de cas d'usage ML en production.

Missions

• Industrialisation IA (MLOps / LLMOps) : concevoir et maintenir des architectures cloud hybrides AWS / Azure pour les charges IA (ML, GenAI/LLM, Computer Vision).

• Développer et fiabiliser les pipelines CI/CD ML (réentraînement, validation/gate, exposition d'API).

• Intégrer les services cognitifs managés (Bedrock, Azure OpenAI).

• Développer des modules Terraform documentés et réutilisables pour les briques IA.

• Accompagner la modernisation des composants vers des architectures conteneurisées (Docker, AKS / EKS) et serverless.

• Accompagner les Data Scientists pour rendre leurs modèles « production-ready » selon les standards d'infrastructure.

• Assurer le support N3 IA/Data et faire monter en compétence les équipes d'exploitation.

• Auditer et optimiser les coûts Cloud IA (instances GPU, appels aux services cognitifs/LLM).

• Garantir la sécurité et la conformité des données (IAM / RBAC, KMS, Private Endpoints).

• Produire les livrables contractuels : dossiers d'architecture de référence (DAT / DEX), modules Terraform versionnés, pipelines MLOps automatisés, audits d'optimisation FinOps IA, documentation d'exploitation et fiches de transfert vers le Run.

Périmètre opérationnel - Deux volets ML en production

Volet 1 - Cas d'usage ML sur AWS (Data Science appliquée & Serverless)

• Traitement de données opérationnelles à grande échelle : analyse exploratoire (EDA) sur données industrielles bruitées, conception et maintien d'algorithmes de rapprochement / matching spatio-temporel (relations non 1:1, désambiguïsation « au plus proche », fenêtres temporelles, gestion des données manquantes et des signaux GPS défaillants).

• Services serverless et génération documentaire : conception et exploitation de traitements de flux serverless et de génération automatisée de documents (ex. rapports multi-images).

• Environnement technique AWS : Amazon SageMaker (training, inférence, pipelines, model registry), Amazon Bedrock (GenAI, RAG, Guardrails), Lambda, S3, Glue, Kinesis / Firehose, Athena, Comprehend / Textract, boto3 ; socles data ELK et BigQuery ; IaC Terraform.

Volet 2 - Cas d'usage MLOps sur Azure (Industrialisation de modèles)

• Industrialisation de modèles de bout en bout : gestion de jeux de données versionnés -> pipelines d'entraînement -> gate d'évaluation automatisée -> registre de modèles -> déploiement blue/green -> monitoring de drift en production.

• Déploiement multi-sites et optimisation : architecture multi-sites industriels (socle commun factorisé + configuration par site), incluant des modèles d'optimisation par renforcement (RL / SAC).

• Environnement technique Azure : Azure Machine Learning (endpoints managés online/batch, pipelines, model registry, MLflow, data assets, blue/green, drift), Microsoft Fabric / OneLake (socle data industriel, architecture médaillon), Azure DevOps (pipelines CI/CD ML), Azure AI (Azure OpenAI, AI Search, Cognitive Services), AKS, IaC Terraform / Bicep.

Outils & Environnement

• Langages & Frameworks : Python avancé, boto3, MLflow

• Cloud & IA : AWS (Lambda, S3, Glue, SageMaker, Bedrock), Azure (Azure ML, Azure OpenAI, AI Search, Cognitive Services), GCP (notions)

• Infrastructure as Code : Terraform confirmé/avancé, Bicep, ARM, CloudFormation (notions)

• Conteneurs & Orchestration : Docker, Kubernetes (AKS / EKS)

• CI/CD : Azure DevOps, Git, GitLab CI

• Data & Observabilité : ELK, BigQuery, Azure Monitor, Datadog, CloudWatch

• Réseau & Sécurité : VPC, souscriptions, NACL/RTB/SG, NLB/ALB/AG, Private Endpoints, RBAC, KMS

• Autres : Microsoft Fabric / OneLake, FinOps IA

Conditions de travail

• TJM : 500 EUR

1. Data Science appliquée (Avancé) : Python avancé, EDA, géomatching / rapprochement spatio-temporel, feature engineering, évaluation robuste de modèles sur données industrielles bruitées, notions d'apprentissage par renforcement (RL / SAC)
2. MLOps & déploiement (Avancé) : industrialisation CI/CD ML (gate d'évaluation, versioning data/modèles, model registry, stratégies d'inférence real-time/batch, blue/green, monitoring de drift), maîtrise d'Azure Machine Learning et Microsoft Fabric / OneLake
3. Cloud IA multi-cloud (Avancé AWS & Azure) : services AWS (Lambda, S3, Glue, SageMaker, Bedrock) ET Azure (Azure ML, Azure OpenAI, AI Search, Cognitive Services)
4. IaC, conteneurs & CI/CD (Confirmé à Avancé) : Terraform confirmé/avancé (modules, gestion d'état), notions ARM / Bicep ou CloudFormation ; Docker et orchestration Kubernetes (AKS / EKS) ; Git / Azure Repos, Azure DevOps et/ou GitLab CI
5. Data, réseau & observabilité (Confirmé) : ELK, BigQuery, monitoring de production (Azure Monitor, Datadog, CloudWatch), réseau cloud (VPC, souscriptions, NACL/RTB/SG, NLB/ALB/AG), sécurité (Private Endpoints, RBAC, KMS) et FinOps IA
6. Compétences et certifications appréciées : Microsoft Fabric (captation de données industrielles SCADA, architecture médaillon Bronze/Silver/Gold), GCP / Vertex AI (notions), Computer Vision, architectures Serverless
7. Certifications appréciées : HashiCorp Terraform Associate, AWS Certified ML Engineer / Specialty, AWS Solutions Architect Associate, Azure AI Engineer Associate, Fabric Data Engineer Associate