Trouvez votre prochaine offre d’emploi ou de mission freelance Web service

Contexte de la mission Intégrer l'équipe de support en charge de l'exploitation métier des applications et système technique du SI notamment le Système technique INTEROPERATEUR du client Objectifs et livrables Assurer le support de niveau 2 nécessaire au rétablissement du service en HO (incidents et réaliser des changements curatif critiques) et HNO Etre proactif sur la qualité de service du domaine applicatif du périmètre Capitaliser sur les incidents de production Participer aux suivi et tests des projets en phase de VABE. Contribuer aux respects des engagements de QOS établis sur le domaine de production Veiller à la qualité du patrimoine documentaire d'exploitation (réaliser des instructions technique pour le support niveau 1 ou des modes opératoire pour l'équipe support Nécessité d'être un bon communicant / d'être coordinateur multi support sur incident transvers Compétences demandées : KIBANA, OPENSHIFT, AWS, UNIX

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 ClésFavoriser 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