Chef de Projet Intégration DevOps & Ml Engineer Cloud H/F

Contexte de la mission

1. Contexte et raison d’être de la mission

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 reformera 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.

1. 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.

Objectifs et livrables

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).

• Infrastructure as Code & automatisation : 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.

• Support expert & transmission au Run : accompagner les Data Scientists pour rendre leurs modèles « production-ready » selon les standards d’infrastructure ; assurer le support N3 IA/Data ; faire monter en compétence les équipes d’exploitation.

• FinOps IA & gouvernance : 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).

• Livrables contractuels : dossiers d’architecture de référence (DAT / DEX), modules Terraform versionnés, pipelines MLOps automatisés (du commit au déploiement), audits d’optimisation FinOps IA, documentation d’exploitation et fiches de transfert vers le Run.

Profil recherchéCompétences indispensables- 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).- 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.- Cloud IA multi-cloud (Avancé AWS & Azure) : services AWS (Lambda, S3, Glue, SageMaker, Bedrock) ET Azure (Azure ML, Azure OpenAI, AI Search, Cognitive Services).- 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.- 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.Compétences et certifications appréciées- Microsoft Fabric (enjeu fort) : captation de données industrielles (SCADA), architecture médaillon Bronze/Silver/Gold.- Écosystème complémentaire : GCP / Vertex AI (niveau notions), Computer Vision, architectures Serverless.- Niveaux de maîtrise attendus : Terraform confirmé à avancé · AWS AI avancé · Azure AI avancé · GCP ML notions.- Certifications appréciées : HashiCorp Terraform Associate, AWS Certified ML Engineer / Specialty, AWS Solutions Architect Associate, Azure AI Engineer Associate, Fabric Data Engineer Associate., 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).

• 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.

• Cloud IA multi-cloud (Avancé AWS & Azure) : services AWS (Lambda, S3, Glue, SageMaker, Bedrock) ET Azure (Azure ML, Azure OpenAI, AI Search, Cognitive Services).

• 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.

• 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.

Compétences et certifications appréciées

• Microsoft Fabric (enjeu fort) : captation de données industrielles (SCADA), architecture médaillon Bronze/Silver/Gold.

• Écosystème complémentaire : GCP / Vertex AI (niveau notions), Computer Vision, architectures Serverless.

• Niveaux de maîtrise attendus : Terraform confirmé à avancé · AWS AI avancé · Azure AI avancé · GCP ML notions.

• Certifications appréciées : HashiCorp Terraform Associate, AWS Certified ML Engineer / Specialty, AWS Solutions Architect Associate, Azure AI Engineer Associate, Fabric Data Engineer Associate.

EUR

Machine learning Intelligence artificielle ELK Google cloud platform AWS Gestion des données DEX Git Kubernetes Python Terraform Computer vision Monitoring Docker