Chef de projet Intégration , DEVOPS & ML Engineer Cloud - Freelance (H/F)

Taux journalier (TJM): 575

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 / ML

Ops 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/ML

Ops déjà en poste afin d'assurer la continuité de service et de faire évoluer deux volets de cas d'usage ML en production.

• 2. 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 ML

Ops 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 (ML

Ops / LLM

Ops) : 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 ML

Ops automatisés (du commit au déploiement), audits d'optimisation FinOps IA, documentation d'exploitation et fiches de transfert vers le Run.

Compétences indispensables

• Data Science