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

Taux journalier (TJM): 500€/jour

CONTEXTE

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 formera 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.

MISSIONS

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).

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.

Accompagner les Data Scientists pour rendre leurs modèles « production-ready » selon les standards d'infrastructure.

Assurer le support N3 IA/Data et faire monter en compétence les équipes d'exploitation.

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).

Produire les livrables contractuels : dossiers d'architecture de référence (DAT / DEX), modules Terraform versionnés, pipelines MLOps automatisés, audits d'optimisation FinOps IA, documentation d'exploitation et fiches de transfert vers le Run.

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.

OUTILS & ENVIRONNEMENT

Langages & Frameworks : Python avancé, boto3, MLflow

Cloud & IA : AWS (Lambda, S3, Glue,