> Markdown version of [/jobs/ext/4019663-chef-de-projet-integration-devops-ml-engineer-cloud-paris-f-h](https://www.wearedevelopers.com/jobs/ext/4019663-chef-de-projet-integration-devops-ml-engineer-cloud-paris-f-h). Every page supports `.md` or `Accept: text/markdown`. Links point to the HTML versions so they work for humans too. Agent guide: [/agents.md](https://www.wearedevelopers.com/agents.md).

---

# Chef de projet Intégration , DEVOPS & ML Engineer Cloud - Paris F/H

- **Company:** ALTRION
- **Location:** Paris, France
- **Experience:** Expert
- **Salary:** €50,000.0 - €80,000.0
- **Contract:** Permanent contract
- **Skills:** AWS Textract, Application Programming Interfaces (APIs), Artificial Intelligence, Amazon Web Services, Amazon S3, Computer Vision, Microsoft Azure, BigQuery, Cloud Computing, Continuous Integration, DevOps, Event-Driven Programming, Global Positioning Systems (GPS), Supervisory Control and Data Acquisition (SCADA), Python (Programming Language), Role-Based Access Control, OpenAI, Cloud Services, Azure Machine Learning, Management of Software Versions, Reinforcement Learning, Datadog, Feature Engineering, Cloud Monitoring, Delivery Pipeline, Large Language Models, Boto3, Multi-Cloud, Generative AI, AWS Lambda, Amazon Virtual Private Cloud (VPC), Gitlab, Git, Cloudformation, Microsoft Fabric, Gitlab-ci, Kubernetes, Bicep, Hashicorp, Microsoft Tfs, Machine Learning Operations, Azure AI, Cloudwatch, Terraform, Docker
- **Published:** October 30, 2026
- **Apply:** https://www.apec.fr/candidat/recherche-emploi.html/emploi/detail-offre/179655743W

## About the Role

Nous recherchons un profil expérimenté disposant de compétences avancées en Data Science appliquée, MLOps et services Cloud IA AWS et Azure.Compétences indispensablesData Science appliquée - niveau avancéPython avancé, analyse exploratoire des données (EDA), géomatching et rapprochement spatio-temporel.Feature engineering et évaluation robuste de modèles sur des données industrielles bruitées.Notions d'apprentissage par renforcement (RL / SAC).MLOps et déploiement - niveau avancéIndustrialisation CI/CD ML : évaluation automatisée, versioning des données et des modèles, model registry, stratégies d'inférence temps réel et batch, déploiement blue/green et monitoring du drift.Maîtrise d'Azure Machine Learning et de Microsoft Fabric / OneLake.Cloud IA multicloud - niveau avancé AWS et AzureServices AWS : Lambda, S3, Glue, SageMaker et Bedrock.Services Azure : Azure ML, Azure OpenAI, AI Search et Cognitive Services.Infrastructure as Code, conteneurs et CI/CD - niveau confirmé à avancéTerraform confirmé à avancé : modules et gestion d'état.Notions d'ARM / Bicep ou CloudFormation.Docker et orchestration Kubernetes (AKS / EKS).Git / Azure Repos, Azure DevOps et/ou GitLab CI.Data, réseau et observabilité - niveau confirméELK, BigQuery et monitoring de production (Azure Monitor, Datadog, CloudWatch).Réseau Cloud : VPC, souscriptions, NACL / RTB / SG, NLB / ALB / AG.Sécurité : Private Endpoints, RBAC et KMS.FinOps IA.Compétences complémentaires appréciéesMicrosoft Fabric : captation de données industrielles (SCADA) et architecture médaillon Bronze / Silver / Gold.GCP / Vertex AI : notions.Computer Vision et architectures serverless.Certifications appréciéesHashiCorp Terraform Associate.AWS Certified ML Engineer / Specialty.AWS Solutions Architect Associate.Azure AI Engineer Associate.Fabric Data Engineer Associate.Le poste est ouvert uniquement aux candidats autorisés à travailler en France.

## Description

Pour accompagner ses projets, l'équipe recherche un Chef de projet Intégration, DevOps & ML Engineer expérimenté. À l'interface entre les équipes métier et Data Science, d'une part, et les équipes Infrastructure et Exploitation, d'autre part, il travaillera en étroite collaboration avec une ingénieure ML/MLOps afin d'assurer la continuité de service et de faire évoluer deux cas d'usage ML en production.Missions principales1. Data Science appliquée et services serverless sur AWSRéaliser des analyses exploratoires (EDA) sur des données industrielles bruitées.Concevoir et maintenir des algorithmes de rapprochement et de matching spatio-temporel, intégrant les relations non 1:1, la désambiguïsation au plus proche, les fenêtres temporelles, les données manquantes et les signaux GPS défaillants.Concevoir et exploiter des traitements de flux serverless et des solutions de génération automatisée de documents, notamment des rapports multi-images.Intervenir sur les services AWS : SageMaker, Bedrock, Lambda, S3, Glue, Kinesis / Firehose, Athena, Comprehend / Textract et boto3, ainsi que sur les socles data ELK et BigQuery et l'IaC Terraform.2. Industrialisation de modèles et MLOps sur AzureIndustrialiser les modèles de bout en bout : jeux de données versionnés, pipelines d'entraînement, évaluation automatisée, registre de modèles, déploiement blue/green et monitoring du drift en production.Contribuer au déploiement sur plusieurs sites industriels, avec un socle commun factorisé et une configuration par site, incluant des modèles d'optimisation par renforcement (RL / SAC).Intervenir sur Azure Machine Learning, Microsoft Fabric / OneLake, Azure DevOps, Azure OpenAI, AI Search, Cognitive Services, AKS et Terraform / Bicep.3. Industrialisation IA, automatisation et supportConcevoir 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, évaluation et exposition d'API.Intégrer les services cognitifs managés, notamment Bedrock et Azure OpenAI.Développer des modules Terraform documentés et réutilisables.Accompagner la modernisation vers des architectures conteneurisées (Docker, AKS / EKS) et serverless.Accompagner les Data Scientists dans la mise en production de leurs modèles, assurer le support N3 IA/Data et faire monter en compétence les équipes d'exploitation.Auditer et optimiser les coûts Cloud IA et garantir la sécurité et la conformité des données.Livrables attendusDossiers 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.