Gamme solutions
Chef de projet Intégration, DevOps & ML Engineer Cloud (AWS / Azure)Référence : RFP-271494-1 Localisation : À confirmer Date de démarrage : 09/11/2026 Durée : 3 mois Type de mission : Prestation Disponibilité : ASAP Contexte de la missionAu 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 et IA générative / LLM, dans des environnements multicloud (AWS, Azure et GCP). Dans ce cadre, nous recherchons un Chef de projet Intégration, DevOps & ML Engineer Cloud expérimenté, capable d'intervenir à l'interface entre les équipes Métier, Data Science, Infrastructure et Exploitation. Le consultant travaillera en étroite collaboration avec une ingénieure ML/MLOps interne afin de garantir la continuité de service et de faire évoluer deux cas d'usage de Machine Learning en production. Missions principales1. Industrialisation de solutions Data Science et Serverless sur AWSRéaliser des analyses exploratoires de données industrielles à grande échelle. Concevoir, développer et maintenir des algorithmes de rapprochement et de matching spatio-temporel. Gérer les problématiques de données manquantes, de fenêtres temporelles et de signaux GPS défaillants. Concevoir et exploiter des traitements serverless et des flux de génération automatisée de documents, notamment des rapports multi-images. Participer à la conception et à l'optimisation des pipelines de traitement de données. Contribuer à l'intégration de solutions d'IA générative et de services LLM. 2. Industrialisation MLOps sur AzureMettre en place et maintenir les pipelines d'entraînement et d'évaluation automatisés des modèles. Assurer la gestion des jeux de données versionnés et des registres de modèles. Industrialiser les déploiements de modèles en production, notamment via des stratégies blue/green. Mettre en place le monitoring des performances et la détection de dérive des modèles (model drift). Concevoir et optimiser des architectures de déploiement multi-sites, avec un socle commun factorisé et des configurations spécifiques par site. Participer à l'implémentation de modèles d'optimisation par apprentissage par renforcement (Reinforcement Learning, notamment SAC). 3. Intégration, DevOps et exploitation CloudAutomatiser les déploiements et les opérations d'infrastructure à l'aide de pratiques DevOps et Infrastructure as Code. Contribuer à la fiabilité, à la sécurité et à la disponibilité des solutions ML en production. Mettre en œuvre les bonnes pratiques de CI/CD, de supervision et de gestion des environnements. Faciliter la collaboration entre les équipes Data Science, Infrastructure et Exploitation. Assurer la continuité de service et contribuer à l'amélioration continue des solutions existantes. Environnement techniqueCloud AWS : Amazon SageMaker : entraînement, inférence, pipelines et registre de modèles. Amazon Bedrock : GenAI, LLM, RAG et Guardrails. AWS Lambda, S3, Glue, Kinesis / Firehose, Athena. Amazon Comprehend / Textract. boto3. Cloud Azure et MLOps : Industrialisation des modèles de Machine Learning. Pipelines d'entraînement et d'évaluation. Gestion des versions et registre de modèles. Déploiement blue/green et monitoring du model drift. DevOps et Data : Terraform et Infrastructure as Code. ELK. BigQuery. Automatisation et intégration continue / déploiement continu (CI/CD). Profil recherchéExpérience confirmée en ingénierie Cloud, DevOps et/ou MLOps. Expérience concrète dans l'industrialisation et la mise en production de modèles de Machine Learning. Bonne maîtrise des environnements cloud, notamment AWS et/ou Azure. Capacité à concevoir et exploiter des pipelines de données et des architectures serverless. Maîtrise des pratiques d'automatisation, de déploiement et de supervision. Capacité à travailler en équipe et à coordonner les échanges entre les interlocuteurs techniques et les équipes Data Science. Autonomie, rigueur, esprit d'analyse et orientation résultats. Compétences appréciéesExpérience avec Amazon SageMaker et Amazon Bedrock. Connaissance des architectures GenAI, LLM, RAG et des mécanismes de sécurisation associés. Expérience en traitement de données industrielles et en matching spatio-temporel. Connaissance des méthodes d'apprentissage par renforcement, notamment SAC. Expérience dans la conception d'architectures multicloud et multi-sites. Objectif de la missionGarantir l'industrialisation, la fiabilité et l'évolution de deux cas d'usage de Machine Learning en production, en renforçant l'intégration Cloud, les pratiques DevOps et les capacités MLOps des équipes. Pour candidater : merci de transmettre un CV actualisé, la disponibilité, le TJM et les expériences significatives en AWS, Azure, DevOps et MLOps.
