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

Collective.work; Aubervilliers; Vor Ort; EUR 54.000 - 66.000; Vollzeit

Zusammenfassung

Brief IA recherche un Chef de projet Intégration, DevOps et ML Engineer Cloud pour accompagner des projets IA/MLOps. L’expert interviendra entre les équipes métier et Data Science et les équipes Infrastructure, afin d’assurer la continuité et l’évolution des cas ML en production sur des environnements multi-cloud (AWS, Azure, GCP).

Le candidat idéal combine leadership technique et maîtrise des déploiements ML, des pipelines data et des pratiques DevOps, avec une forte orientation sécurité et

Qualifikationen

• Expérience de pilotage de projets d’intégration infra ML/AI, avec une forte dimension DevOps.
• Capacité à travailler en interface entre les équipes métier/data science et les équipes infrastructure/exploitation.
• Connaissance des environnements multi-cloud (AWS/Azure/GCP) et des pratiques IaC (Terraform).

Aufgaben

• Intervenir en interface entre les équipes Métier/Data Science et les équipes Infrastructure/Exploitation.
• Assurer la continuité de service et faire évoluer deux volets ML en production.
• Industrialiser les pipelines ML et les déploiements en cloud (serverless et containers).

Kenntnisse

DevOps

ML Engineer

Cloud

Tools

AWS

Azure

GCP

Terraform

SageMaker

Jobbeschreibung

Chef de projet Intégration , DEVOPS & ML Engineer Cloud

Salaire: 60000

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 / 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, Dev Ops & 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 Sage Maker (training, inférence, pipelines, model registry), Amazon Bedrock (GenAI, RAG, Guardrails), Lambda, S3, Glue, Kinesis / Firehose, Athena, Comprehend / Textract, boto3 ; socles data ELK et Big Query ; 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