Chef de projet Intégration , DEVOPS & ML Engineer Cloud

1. Contexte et raison d'être de la mission

Au 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, 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/MLOps 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 MLOps 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.

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

Compétences indispensables

- Data Science appliquée (Avancé) : Python avancé, EDA, géomatching / rapprochement spatio-temporel, feature engineering, évaluation robuste de modèles sur données industrielles bruitées, notions d'apprentissage par renforcement (RL / SAC).

- MLOps & déploiement (Avancé) : industrialisation CI/CD ML (gate d'évaluation, versioning data/modèles, model registry, stratégies d'inférence real-time/batch, blue/green, monitoring de drift), maîtrise d'Azure Machine Learning et Microsoft Fabric / OneLake.

- Cloud IA multi-cloud (Avancé AWS & Azure) : services AWS (Lambda, S3, Glue, SageMaker, Bedrock) ET Azure (Azure ML, Azure OpenAI, AI Search, Cognitive Services).

- IaC, conteneurs & CI/CD (Confirmé à Avancé) : Terraform confirmé/avancé (modules, gestion d'état), notions ARM / Bicep ou CloudFormation ; Docker et orchestration Kubernetes (AKS / EKS) ; Git / Azure Repos, Azure DevOps et/ou GitLab CI.

- Data, réseau & observabilité (Confirmé) : ELK, BigQuery, monitoring de production (Azure Monitor, Datadog, CloudWatch), réseau cloud (VPC, souscriptions, NACL/RTB/SG, NLB/ALB/AG), sécurité (Private Endpoints, RBAC, KMS) et FinOps IA.

Compétences et certifications appréciées

- Microsoft Fabric (enjeu fort) : captation de données industrielles (SCADA), architecture médaillon Bronze/Silver/Gold.

- Écosystème complémentaire : GCP / Vertex AI (niveau notions), Computer Vision, architectures Serverless.

- Niveaux de maîtrise attendus : Terraform confirmé à avancé · AWS AI avancé · Azure AI avancé · GCP ML notions.

- Certifications appréciées : HashiCorp Terraform Associate, AWS Certified ML Engineer / Specialty, AWS Solutions Architect Associate, Azure AI Engineer Associate, Fabric Data Engineer Associate.

Informations de la mission :

• Début de mission : 09/11/2026
• Durée : 7 mois
• Date de publication : 26/10/2026
• Date limite de candidature : 09/11/2026