Senior Run & Reliability Engineer - LUNE / GDP / Azure / Databricks

Dans un environnement cloud et data, le Senior Run & Reliability Engineer intervient sur le maintien en conditions opérationnelles, la fiabilité et la disponibilité des plateformes et des services de production. Il apporte un support technique avancé sur les environnements Azure, Databricks et les plateformes associées, tout en contribuant à l’amélioration continue des processus opérationnels.

Ses principales missions sont les suivantes :

• Support opérationnel avancé : assurer le support technique de niveau expert sur les plateformes cloud, les environnements data et les services de production associés.

• Gestion des incidents : piloter ou coordonner la résolution des incidents de production, assurer le suivi des actions correctives et contribuer au rétablissement rapide des services.

• Analyse des problèmes et des causes racines : réaliser des analyses approfondies (Root Cause Analysis – RCA), identifier les causes des dysfonctionnements récurrents et proposer des mesures préventives.

• Gestion des changements : contribuer à la préparation, à l’évaluation et au suivi des changements techniques afin de limiter les risques opérationnels.

• Supervision et observabilité : mettre en place, maintenir et optimiser les dispositifs de supervision, les métriques, les logs, les traces et les alertes pour anticiper les incidents et faciliter leur diagnostic.

• Exploitation Azure : assurer le suivi opérationnel des services Azure, notamment Azure Monitor, Log Analytics, Application Insights, Azure Storage et Azure Key Vault.

• Exploitation Databricks : surveiller les Jobs et Workflows Databricks, analyser les logs, diagnostiquer les erreurs d’exécution et résoudre les problèmes de performance.

• Administration opérationnelle d’Azure Batch : assurer le suivi des pools de calcul, des jobs, des tâches et du cycle de vie des nœuds de calcul. Analyser les problématiques liées à l’autoscaling, aux quotas, à l’ordonnancement des traitements et aux workloads conteneurisés.

• Diagnostic technique transverse : analyser les incidents impliquant plusieurs composants ou domaines techniques afin d’identifier rapidement les dépendances et les causes des dysfonctionnements.

• Automatisation des opérations : contribuer à l’amélioration des processus d’exploitation grâce au scripting, à l’automatisation et aux outils DevOps.

• Amélioration continue de la fiabilité : identifier les axes d’amélioration de la disponibilité, de la résilience et de la performance des plateformes.

• Coordination opérationnelle : collaborer avec les équipes techniques concernées, coordonner les interventions et assurer une communication claire pendant les incidents majeurs.

• Résilience et reprise d’activité : contribuer, le cas échéant, aux exercices de reprise après sinistre (Disaster Recovery – DR) et à la validation des procédures de restauration.

Profil recherché

Expérience professionnelle

• Expérience généralement supérieure ou égale à 7 ans en ingénierie de production, exploitation cloud, DevOps ou Site Reliability Engineering (SRE).

• Expérience confirmée dans l’exploitation de services critiques en production.

• Expérience significative dans la gestion et la coordination d’incidents complexes.

• Bonne expérience des environnements Microsoft Azure et des opérations Databricks.

• Expérience dans des environnements de plateformes mutualisées ou partagées appréciée.

• Habitude des environnements nécessitant un haut niveau de disponibilité, de fiabilité et de maîtrise des risques opérationnels.

Compétences techniques requises

Gestion de la production et des incidents

• Maîtrise des processus de gestion des incidents, des problèmes et des changements.

• Capacité à réaliser des analyses de causes racines (RCA) et à définir des plans d’action correctifs et préventifs.

• Maîtrise des procédures de diagnostic, de récupération et de rétablissement des services.

• Capacité à coordonner des interventions techniques dans des situations critiques.

Cloud Azure et supervision

• Bonne maîtrise des services Azure, notamment Azure Monitor, Log Analytics, Application Insights, Azure Storage et Azure Key Vault.

• Capacité à analyser les métriques, les logs, les traces et les alertes.

• Maîtrise des pratiques de supervision, d’observabilité et de diagnostic des environnements cloud.

• Bonne compréhension des enjeux de disponibilité, de sécurité et de performance des services de production.

Databricks et exploitation data

• Connaissance opérationnelle de Databricks et de ses Jobs/Workflows.

• Capacité à analyser les logs d’exécution, à diagnostiquer les échecs et à résoudre les problèmes de performance.

• Bonne compréhension des traitements de données et de leurs dépendances dans un environnement de production.

Azure Batch

• Connaissance des pools, jobs, tâches et nœuds de calcul.

• Capacité à diagnostiquer les problèmes liés au cycle de vie des nœuds, à l’autoscaling, aux quotas et à l’ordonnancement.

• Expérience dans l’analyse des logs, le diagnostic des échecs et l’exploitation de workloads conteneurisés.

• Compréhension des mécanismes de gestion des ressources de calcul et de leurs contraintes opérationnelles.

DevOps et automatisation

• Maîtrise d’Azure DevOps et de Git.

• Bonne connaissance des pipelines YAML et des pratiques d’intégration et de déploiement continus (CI/CD).

• Capacité à utiliser les outils de scripting pour automatiser les opérations et fiabiliser les processus d’exploitation.

Compétences techniques complémentaires appréciées

• Développement de scripts en Python, PowerShell ou Bash.

• Infrastructure as Code (IaC) pour automatiser le déploiement et la gestion des infrastructures.

• Participation à des exercices de reprise après sinistre et de continuité d’activité.

• Connaissance des pratiques SRE et des démarches d’amélioration continue de la fiabilité des services.