Trouvez votre prochaine offre d’emploi ou de mission freelance GPU

FULL REMOTE Principal Engineer – HPC Operations Description du poste Nous recherchons un(e) Principal Engineer – HPC Operations expérimenté(e) pour piloter l’exploitation quotidienne d’infrastructures de calcul haute performance (HPC) dédiées à des workloads à grande échelle en IA et Machine Learning . Ce rôle clé consiste à garantir la stabilité, la performance, la sécurité et l’évolutivité des clusters HPC, en s’appuyant sur des technologies telles que Slurm, Kubernetes et des plateformes MLOps modernes . Vous interviendrez dans des environnements complexes et distribués à l’échelle internationale, tout en jouant un rôle de référent technique et de mentor pour les équipes opérationnelles. Responsabilités principales Assurer la gestion opérationnelle quotidienne des infrastructures HPC (compute, stockage, réseau, ordonnanceurs comme Slurm et Kubernetes). Optimiser la performance, la disponibilité et l’utilisation des ressources (CPU, GPU, stockage). Être le point de contact technique principal pour les déploiements HPC dans le périmètre. Agir comme point d’escalade technique (L3) pour les équipes support, en assurant une résolution rapide et efficace des incidents. Superviser l’état des systèmes via des outils de monitoring et d’observabilité (Prometheus, Grafana, DCGM). Gérer les environnements utilisateurs pour les workloads IA/ML via des containers et orchestrateurs (Docker, Kubernetes) et des outils MLOps (MLflow, Kubeflow). Définir et appliquer les politiques de planification des jobs (priorités, quotas, partitions) afin de garantir l’équité et l’efficacité des ressources. Piloter les analyses de causes racines (RCA) , contribuer aux post-mortems et mener des actions d’amélioration continue. Encadrer et accompagner les ingénieurs moins expérimentés , favoriser le partage de connaissances et la montée en compétences. Participer à l’ astreinte si nécessaire. Veiller au respect des politiques de sécurité, des processus opérationnels et des exigences d’audit , et maintenir la documentation associée. Profil recherché Formation & expérience Bac+5 en informatique, ingénierie ou domaine technique équivalent. Minimum 8 ans d’expérience en HPC, ingénierie systèmes ou DevOps, dont au moins 2 ans dans un rôle senior ou de leadership technique . Compétences techniques Expertise avancée en environnements HPC complexes (matériel, logiciels, stockage). Expérience confirmée avec Slurm et/ou Kubernetes appliqués à des workloads IA/ML. Solide maîtrise de la gestion des GPU , des ordonnanceurs de charges et de l’optimisation des performances. Bonne connaissance des outils de monitoring (Prometheus, Grafana, DCGM). Excellentes compétences en automatisation et scripting : Python, Bash, Ansible, Terraform. Très bonne maîtrise de Linux (RHEL, CentOS, Ubuntu). Connaissances approfondies en réseaux haute performance (RDMA, InfiniBand, RoCE). Expérience avec des solutions de stockage telles que NFS, Lustre, Ceph.

En tant qu' Ingénieur ML au sein de l'équipe ML Platform, vous mettrez à profit votre solide expérience en industrialisation , votre maîtrise de Python et votre expertise pratique de l'entraînement de modèles. Votre rôle sera de faciliter le travail quotidien du ML Lab sur (leur "neocloud" de choix) et d'assurer la liaison avec l'outillage MLOps (principalement sur AWS ), en étroite collaboration avec un ingénieur DevOps dédié. Responsabilités Clés Favoriser l'expérimentation rapide : Créer et maintenir les outils permettant aux chercheurs d'itérer rapidement sur de nouvelles approches ML. Gérer des expériences de recherche à grande échelle : Concevoir et superviser des cycles d'entraînement massifs sur l'infrastructure , en implémentant le suivi des expériences ( experiment tracking ) et la reproductibilité. Faciliter la collaboration externe : Permettre une collaboration sécurisée avec des partenaires académiques et l'accès aux ressources open-source tout en respectant les protocoles de sécurité. Optimisation des performances et des ressources : Profiler et optimiser les pipelines d'entraînement ; gérer efficacement les ressources GPU. Développement d'outils de recherche : Développer des bibliothèques et utilitaires spécifiques aux domaines du Lab (nouvelles architectures, techniques d'entraînement, frameworks d'évaluation). Transfert de connaissances : Partager les enseignements issus de la recherche expérimentale avec l'ensemble de l'équipe ML Platform et les chercheurs

Missions principales: Architecturer et optimiser des infrastructures VDI (Virtual Desktop Infrastructure) pour des environnements 3D (Maya, AutoCAD, Houdini, ZBrush, Unreal Engine, etc.) sous Windows et Linux. Analyser et résoudre les bottlenecks techniques liés aux performances GPU, RAM, et stockage pour des workflows créatifs (rendus, streaming, collaboration à distance). Collaborer avec les partenaires pour industrialiser les solutions et rendre les infrastructures autonomes. Documenter les processus techniques et former les équipes internes. Anticiper la transition vers Linux pour les studios (optimisation RAM, réduction des coûts). Participer à la roadmap pour le déploiement de solutions VDI dans l’industrie (ex : BNP, EDF).

Missions : Vous intégrez au sein de l'équipe Service Infrastructure Open Natif et Data du Service Mise en marché des plateformes, et plus précisément dans le pôle Data. Vous serez en charge de la mise à disposition, de la maintenance et de l'évolution d'un ensemble de services liés aux offres autour de l'IA générative et du machine learning du client (LLMaaS, GPUaaS, Dataiku, etc.) À ce titre, les actions attendues sont les suivantes : Assurer le suivi et l'exploitation des plateformes IA pour nos utilisateurs internes. Accompagner la consommation des offres IA au sein du cluster, incluant l’accompagnement pour l'exposition de modèles LLM, la gestion des ressources GPU via Run:AI, et le déploiement de solutions RAG. Accompagner les équipes internes du cluster BPCR sur l'utilisation de ces plateformes, en assurant un support technique et méthodologique adapté à leurs besoins. Créer et mettre à disposition des services automatisés via Python et GitLab-CI pour faciliter l'adoption et l'utilisation des solutions IA. Les qualités pour mener à bien ces missions : Techniques : Bonnes connaissances en data science avec une compréhension des cycles de vie des modèles (entraînement, évaluation, déploiement, monitoring). Bonnes connaissances de Python pour le scripting, l'orchestration d'API REST et l'intégration de modèles. Bonne connaissance des concepts liés à Kubernetes (pods, services, namespaces, déploiements, etc.) et compréhension de son rôle dans l'hébergement et la mise à disposition de charges de travail IA. Compréhension des concepts d'IA générative (fine-tuning, transfer Learning, etc.), des architectures LLM et des patterns RAG. Connaissance des notions liées au GPU (allocation, mémoire, optimisation) et des frameworks de serving de modèles (vLLM, TGI ou équivalent). Bonnes connaissances de l'environnement Linux et des pratiques DevOps/MLOps. Familiarité avec des solutions de recherche vectorielle. Comportementale : Sens du service client Autonomie. Rigueur. Force de proposition. Vulgarisation. Esprit curieux et veille technologique active sur les évolutions de l'IA.

Le développement d'IHM autour de la ferme GPU L'intégration des services autour de la plateforme IA MISTRAL Profil basé idéalement à Bordeaux mais ouvert à du remote (prévoir quelques déplacements à Bordeaux). Nous souhaitons un profil solide, car les enjeux sont fort et les éléments techniques complexes. Il sera amené à prendre de fortes responsabilités. Le développement d'IHM autour de la ferme GPU L'intégration des services autour de la plateforme IA MISTRAL Profil basé idéalement à Bordeaux mais ouvert à du remote (prévoir quelques déplacements à Bordeaux). Nous souhaitons un profil solide, car les enjeux sont fort et les éléments techniques complexes. Il sera amené à prendre de fortes responsabilités.

Au sein d’une équipe en charge des plateformes data et IA, vous intervenez sur la mise à disposition, l’exploitation et l’évolution de services liés à l’IA générative et au machine learning. Vous contribuez à l’industrialisation et à l’adoption des solutions IA auprès des utilisateurs internes, dans une logique DevOps / MLOps . Exploitation & Run Assurer le suivi et l’exploitation des plateformes IA Garantir la disponibilité, la performance et la stabilité des services Assurer le support technique auprès des utilisateurs internes Accompagnement & Adoption Accompagner les équipes dans l’usage des offres IA (LLM, GPU, RAG…) Faciliter l’exposition et l’utilisation de modèles IA Apporter un support méthodologique et technique adapté aux besoins métiers Vulgariser les concepts IA auprès des utilisateurs Industrialisation & Automatisation Développer des services automatisés (Python, CI/CD) Mettre en place des pipelines et outils facilitant l’usage des plateformes IA Participer à l’amélioration continue des pratiques DevOps / MLOps Environnement IA & Data Contribuer à la mise en œuvre de solutions autour : LLM (Large Language Models) RAG (Retrieval-Augmented Generation) Gestion des ressources GPU Participer à l’intégration et au déploiement de modèles IA Environnement technique Langages & outils : Python, GitLab CI/CD, API REST Conteneurisation & orchestration : Kubernetes IA / ML : LLM, RAG, fine-tuning, transfer learning Serving modèles : vLLM, TGI (ou équivalent) GPU : allocation, optimisation, gestion des ressources Data : plateformes de data science (ex : Dataiku) Systèmes : Linux Recherche vectorielle : bases vectorielles (type FAISS, Pinecone, etc.)

Permettre à des chercheurs de tester, entraîner et industrialiser rapidement des modèles de machine learning à grande échelle, dans un environnement hybride : neocloud pour la recherche AWS (MLOps / prod) Gérer des entraînements de modèles à grande échelle (GPU / distribué) Assurer la reproductibilité des expériences Optimiser les ressources (GPU, compute) Créer des outils internes pour la recherche ML Faire le lien entre recherche académique ↔ production industrielle Avoir déjà travaillé : soit dans une boîte très technique (type scale-up / deeptech) soit dans un environnement de recherche / labo Parler Anglais

Nous recherchons un(e) DevOps Engineer Senior pour intervenir au sein d’une équipe ML Platform & ML Lab, dans un environnement technique avancé orienté Machine Learning et infrastructure cloud à grande échelle. 🎯 Votre rôle 🔵 Configuration et gestion de l’infrastructure cloud (Lambda) pour l’accès GPU des équipes ML 🔵 Mise en place de bonnes pratiques FinOps et protection contre les erreurs critiques 🔵 Optimisation des images Docker pour réduire les temps de cold start 🔵 Mise en place et maintien des systèmes de monitoring des entraînements de modèles 🔵 Contribution aux projets ML Platform sur AWS (CI/CD, tooling, infrastructure) 🔵 Automatisation des process et amélioration continue des workflows 🔵 Renforcement de la sécurité (audit, vulnérabilités, gestion des risques) 🚀 Votre impact 🔵 Améliorer la productivité des équipes ML 🔵 Garantir la robustesse et la scalabilité des environnements de training 🔵 Accélérer les workflows via automation et CI/CD 🔵 Renforcer la fiabilité et la sécurité des infrastructures cloud 🛠️ Stack & environnement 🔵 AWS 🔵 Terraform 🔵 Docker (optimisation d’images large scale) 🔵 GitLab CI / Jenkins 🔵 Linux / UNIX 🔵 Monitoring & observability 🔵 Environnement ML / GPU / cloud (Lambda) 📌 Informations complémentaires 🔵 Mission freelance 🔵 Hybride ou remote selon organisation 🔵 Mission longue durée

Nous recherchons pour notre client un(e) Expert Kubernetes /IA (H/F). Rôle principal : Garantir la disponibilité, performance et stabilité du cluster IA (GPU/CPU/réseau/stockage), automatiser son exploitation et assurer le support. Vos missions : Maintien en condition opérationnelle (MCO) du cluster IA, incluant la gestion des nœuds GPU/CPU, du stockage et du réseau. Administration des systèmes Linux : installation, configuration et optimisation. Exploitation et gestion des environnements Kubernetes : déploiement, montée en charge (scaling) et haute disponibilité (HA). Supervision et monitoring des infrastructures à l’aide d’outils tels que Prometheus et Grafana. Gestion des incidents techniques, analyse post-mortem et mise en place de plans d’action correctifs. Automatisation des tâches opérationnelles via Ansible et scripts Bash/Python. Gestion des jobs : ordonnancement des tâches GPU, gestion des quotas et priorités. Pilotage des mises à jour des systèmes d’exploitation, des pilotes NVIDIA et des composants Kubernetes. Gestion des incidents liés à l’infrastructure et coordination des interventions. Rédaction et mise à jour de la documentation d’exploitation pour assurer la traçabilité et la continuité des opérations. Profil recherché Vous êtes certifié Kubernetes, justifiez d’une expérience professionnelle minimum de 8 ans dans un poste similaire, et maîtrisez les environnements suivants : Infrastructure : Linux Ubuntu, Kubernetes, Docker, GPU NVIDIA (drivers, CUDA, MIG), Ansible, gestion des environnements distribués. Observabilité : Prometheus, Grafana Stockage : systèmes de fichiers distribués, stockage haute performance et stockage objet Réseau : comprendre l’architecture réseau d’un cluster (VLAN, Load balancing...) Méthodes : ITIL/ITSM, gestion des incidents et des changements, documentation d’exploitation.

Contexte de la mission Notre client recherche un profil MLOps / Plateforme IA pour assurer l'exploitation et le déploiement de solutions d'intelligence artificielle à destination des équipes internes. Le prestataire jouera un rôle clé à l'interface entre les équipes data, les développeurs et les utilisateurs métiers, dans un environnement GPU managé et orienté LLM. Missions principales Assurer le suivi et l'exploitation des plateformes IA pour les utilisateurs internes Accompagner la consommation des offres IA au sein du cluster : exposition de modèles LLM, gestion des ressources GPU via Run:AI , déploiement de solutions RAG Apporter un support technique et méthodologique aux équipes internes du cluster BPCR sur l'utilisation des plateformes IA Développer et mettre à disposition des services automatisés (Python, GitLab-CI) pour faciliter l'adoption et l'intégration des solutions IA Environnement technique Orchestration & infrastructure : Kubernetes (pods, services, namespaces, déploiements), Run:AI LLM & IA générative : exposition de modèles, fine-tuning, transfer learning, architectures RAG Serving de modèles : vLLM, TGI ou équivalents GPU : allocation, gestion mémoire, optimisation des charges de travail Développement & automatisation : Python, API REST, GitLab-CI Recherche vectorielle : bases vectorielles et intégration dans des pipelines RAG Environnement : Linux, pratiques DevOps / MLOps

Rôle principal Industrialiser les modèles d’intelligence artificielle sur le cluster Kubernetes, structurer les pipelines d’entraînement et d’inférence, et accompagner les équipes Data Scientists et métiers dans leurs projets IA. Missions Concevoir et mettre en place des pipelines MLOps / LLMOps (CI/CD IA) robustes et automatisés. Gérer les workflows d’entraînement des modèles IA. Optimiser l’utilisation des GPU via batching, mixed precision, et parallélisation multi-GPU. Déployer des API d’inférence performantes et scalables. Mettre en place et gérer un registre (registry) des modèles IA. Assurer la gestion des versions des datasets et des modèles. Effectuer une veille technologique constante sur les outils et méthodes IA. Apporter un support technique aux équipes R&D. Réaliser des benchmarks de performance des modèles et des pipelines. Compétences clés MLOps / LLMOps : Expérience dans la mise en place et la gestion de pipelines MLOps, maîtrise des outils tels que MLflow, Weights & Biases, Kubeflow, Argo Workflows, GitLab CI, GitHub Actions, vLLM. Intelligence Artificielle : Expertise en IA générative, deep learning, utilisation des frameworks Hugging Face. Optimisation GPU : Maîtrise de CUDA, techniques de batching, mixed precision, multi-GPU. Langages de script : Python, Bash. DevOps : Intégration et automatisation avec Kubernetes, Docker, gestion des déploiements automatisés.

Exploitation et MCO (Maintien en Condition Opérationnelle) Administrer et maintenir le parc de serveurs sous Linux Ubuntu . Gérer le cycle de vie du cluster Kubernetes (déploiement, mise à l'échelle, haute disponibilité). Assurer la gestion des ressources de calcul : déploiement des pilotes NVIDIA , configuration de CUDA et mise en œuvre du MIG (Multi-Instance GPU) pour optimiser le partage des ressources. Piloter le stockage haute performance et objet (S3, systèmes de fichiers distribués) pour répondre aux besoins de données massives. 2. Automatisation et Méthodes Industrialiser le déploiement de l'infrastructure via Ansible et des scripts (Bash/Python). Gérer les mises à jour critiques (OS, Drivers GPU, Kubernetes) avec un impact minimal sur la production. Appliquer les meilleures pratiques ITIL/ITSM : gestion des incidents, des changements et tenue rigoureuse de la documentation opérationnelle. 3. Observabilité et Performance Maintenir la stack de monitoring ( Prometheus, Grafana ) pour anticiper les pannes. Analyse fine de l'architecture réseau (VLAN, Load Balancing) pour garantir des flux de données fluides entre les nœuds. Optimiser l'ordonnancement des tâches : gestion des quotas, des priorités et de la planification GPU. 4. Support et Amélioration Continue Intervenir en escalade sur les incidents d'infrastructure. Réaliser des analyses post-mortem pour identifier les causes racines et éviter la récurrence des problèmes.

Mission : Data Architecte DEVOPS/FINOPS transverse avec une expertise GCP ++. Votre rôle sera de concevoir et de mettre en œuvre des architectures de données cloud robustes et performantes. Définir les standards architecture et les règles d'urbanisation Data, IA, DevOPs, MLOPS, IT & Cloud. Mettre en place la gouvernance des modèles et encadrer l'usage des LLM Gérer les risques éthiques et réglementaires. Rédiger, maintenir et diffuser les bonnes pratiques Data, OnPremise, Cloud et DevOPS. Définir et intégrer les principes FinOPS dès la conception des architectures. Préconiser les suivis de la performance Data IA et pour superviser les pipelines. Optimiser les coûts GPU & Cloud et aussi mettre en place un plan FinOps IA. Participer à la définition de modèles de refacturation. Expertise Requise: Solide maîtrise de GCP (BigQuery, Composer, Airflow, DataProc, DataFlow). Expérience avec Terraform, Git, Jenkin. Expérience en environnements hybrides (on-premise). Solide expérience en DevOPS, MLOPS (Git, GitLab, Gitlab-CI, GitOps, Helm, ML Pipelines etc.). Expérience significative sur les outils DevOPS, Orchestration, Conteneurisation (Terraform, Ansible, Docker, Kubernetes etc.). Solide maitrise de FinOps, Optimisation, Supervisions (ELK, Grafana, Prometheuse, Google Monitoring etc.) 2-3j/semaine sur site Compétences techniques requises : Google Cloud Platform data architecture MLOps Google Cloud BigQuery DevOps Composer Apache Airflow

Mission : Un profilData ingénieur / Software ingénieur orienté Data avec une expérience significative sur Azure Databricks, python (software engineering) et PySpark. La connaissance des concepts de Machine Learning, notamment des algorithmes de type bagging et boosting, constitue un atout apprécié. En tant que Data/Software ingénieur, le prestataire interviendra au sein d'une équipe agile SAFe et contribuera, au travers de user stories, aux activités suivantes : -Conception et développement des pipelines Data et ML industrialisées et robustes o Pipelines Batch sous Azure Databricks o Utilisation avancée de PySpark, Delta Lake, MLFlow, , Workflows o Optimisation des performances : partitionnement, gestion mémoire, exploitation GPU o Mise en place de mécanismes de reprise d'erreur, de traçabilité et de monitoring o Collaboration étroite avec les data scientists pour transformer les prototypes en solutions industrielles -Développement logiciel et services o Conception et développement de packages python o Respect des standards de développement du socle (qualité du code, tests unitaires, CI/CD, documentation, …) o API sous Azure Function et/ou Azure Container Apps -Contribution aux phases projets (étude de faisabilité, architecture, conception, réalisation, MEP) et aux différents activités de RUN et d'amélioration continue -Participation active aux rituels agiles 3j/semaine sur site Compétences techniques requises : Azure Databricks PySpark Delta Lake Python

Bonjour, Pour le compte de notre client nous recherchons un Dev lead Power BI. Description détaillée des tâches qui constituent la mission · Accompagner, mettre en place une animation de mentoring avec nos développeurs BI / Data Analysts, · Recueil des besoins utilisateurs, étude de faisabilité, rédaction de spécifications, · Concevoir, développer, déployer et maintenir des tableaux de bord et rapports construits autour de Power BI (Desktop & Service), · Concevoir et mettre en place la modélisation des données (Modèles en étoile, relations), · Garantir que les développements réalisés correspondent bien au standard Microsoft et surtout à celui du GPU SNCF, · Garantir que les développements réalisés intègrent les normes de sécurité (RLS - Row Level Security, gestion des accès), · Réaliser des tests de cohérence de données (DAX) et procéder au dépannage, · Tester la qualité des données et publier les rapports (Gestion des Espaces de travail / Apps), · Prendre part aux écritures de la documentation technique et fonctionnelle pour documenter les modèles et indicateurs existants, · Transformation et enrichissement des données (via Power Query) à partir des sources de production, · Optimisation / Performances (Optimisation du DAX et des temps d'actualisation), · Veille technologique / évolutions de Power BI et de la Power Platform, Support aux utilisateurs.

Contexte: Equipe de 20 experts repartis sur 5 poles d'activite (Solutions Engineering, Automation Engineering, Infrastructure Engineering, Product Office, Client Services). 15+ plateformes de Data Science / MLOps en production (Cloud et on premise) / 600+ utilisateurs Data Scientists Plusieurs infrastructures, plateformes et services d'IA Generative en production a l'attention de tous les metiers du Groupe. Un GRID de GPU on premise utilise pourle training et l'inference. Pratiques DevSecOps / GitOps / MLOps / LLMOps Automatisation autour des APIs des infrasturcutres, des plateformes (kubernetes/openshift) et des produits. Environnement technique: - Docker / Kubernetes / OpenShift / Cloud / Bare Metal - Programmation en python - Shell scipting - GPU Computing Outils de CI/CD DevSecOps/GitOps : hashicorp Vault, gitlab, gitlab-CI, kaniko, keycloak, ansible, Artifactory, ArgoCD, Argo Workflow