C Chef de projet Intégration DevOps & ML Engineer Cloud - Freelance (H/F) Paris (hybride) ( Hybride ) Freelance · Junior · 500 € par jour il y a 1 sem. ›

Zeroday Cyber Academy; Paris; Hybrid; EUR 80,000 - 105,000; Full time

Job summary

Zeroday Cyber Academy recherche un expert freelance pour conduire l’industrialisation IA et les pipelines ML dans un environnement multi-cloud (AWS/Azure). Vous travaillerez avec une ingénieure ML/MLOps et assurerez la continuité de service tout en faisant évoluer deux volets ML en production.

Vous concevrez des architectures hybrides, déployerez des solutions IA, surveillerez les coûts et garantirez les standards de sécurité et de conformité. TJM 500 €/jour sur Paris.

Qualifications

• Expérience en IA/ML en production et MLOps.
• Maîtrise des environnements multi-cloud AWS et Azure.
• Collaboration avec Data Scientists et équipes d'Infrastructure.
• Connaissance des pipelines CI/CD ML et gestion des coûts FinOps IA.

Responsibilities

• Industrialisation IA (MLOps/LLMOps) : architectures cloud hybrides AWS/Azure pour charges IA.
• Développer et fiabiliser pipelines CI/CD ML (réentraînement, validation, exposition d'API).
• Intégrer services cognitifs managés (Bedrock, Azure OpenAI).
• Développer des modules Terraform réutilisables pour les briques IA.
• Conduire la modernisation vers des architectures conteneurisées (Docker, AKS/EKS) et serverless.
• Accompagner les Data Scientists pour production-ready des modèles selon les standards infra.
• Assurer le support N3 IA/Data et montée en compétence des équipes exploitation.
• Auditer et optimiser les coûts Cloud IA (GPU, appels services).
• Garantir sécurité et conformité des données (IAM/RBAC, KMS, Private Endpoints).
• Produire les livrables: DAT/DEX, pipelines MLOps, audits FinOps IA, docs Run.

Skills

Python avancé

CI/CD ML

Sécurité et conformité data

Tools

SageMaker

Bedrock

Azure OpenAI

Terraform

AKS

EKS

Docker

Job description

Contexte

TJM : 500 €/jour. Mission freelance au sein du Pôle Infrastructure Technique de la DSI, dont 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).

Le prestataire intervient à l'interface entre les équipes Métier / Data Science et les équipes Infrastructure / Exploitation. Il travaille en 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, fiches de transfert vers le Run.

Périmètre opérationnel : deux volets ML en production

Volet 1 : cas d'usage ML sur AWS (data science appliquée et 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 : 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 et environnement

• Langages et frameworks : Python avancé, boto3, MLflow.

Ce qui te ferait sortir du lot (côté sécurité)

• gérer les clés d'API des services cognitifs (Bedrock, Azure OpenAI) dans un gestionnaire de secrets, jamais dans le code ni dans les variables de pipeline ;


• appliquer le moindre privilège IAM / RBAC aux identités des pipelines d'entraînement et d'inférence, distinctes de celles des développeurs ;


• filtrer les entrées et les sorties des LLM (injection de prompt, données sensibles) avant d'exposer une API de RAG ;


• versionner et tracer les jeux de données, pour savoir quelle donnée sensible a alimenté quel modèle.