AI Engineer Senior Azure AI / MLOps / LLMOps — Mission Freelance - Freelance

Taux journalier (TJM): 580

Dans le cadre de l’industrialisation de ses produits Data et d’intelligence artificielle, notre client renforce son équipe Data & AI avec un AI Engineer Senior, orienté production.

L’objectif est de faire passer les initiatives IA du prototype à des produits fiables, sécurisés, observables et maintenables. La mission couvre à la fois les solutions de Machine Learning et d’IA générative : RAG, agents, outils, orchestrations et assistants de type Copilot.

Vous rejoindrez une équipe pluridisciplinaire composée d’un Architecte IA, de Data Scientists, d’un Product Owner IA et d’équipes Cloud, Data, Sécurité, Développement et Métiers.

Vos missions

Azure AI et plateforme cloud

• Concevoir et déployer les composants nécessaires aux produits IA sur Microsoft Azure.

• Industrialiser Azure AI Foundry, Azure OpenAI, Azure AI Search, les API, les runtimes d’agents et les mécanismes de RAG.

• Contribuer à la conception d’assistants métiers et de solutions Microsoft Copilot / Copilot Studio.

• Mettre en œuvre les exigences d’identité, d’accès, de secrets, de chiffrement, de réseau privé et de journalisation.

• Intégrer les solutions IA avec les plateformes data, notamment Snowflake et/ou Databricks, ainsi qu’avec les systèmes métiers.

MLOps, LLMOps et automatisation

• Construire des pipelines reproductibles pour l’entraînement, l’évaluation, le déploiement et la supervision des modèles.

• Industrialiser le cycle de vie des prompts, modèles, embeddings, index, agents et configurations.

• Utiliser MLflow pour le suivi des expérimentations, le registre des modèles et la promotion des versions.

• Mettre en place des évaluations continues : qualité, pertinence, robustesse, sécurité et non-régression.

• Développer et maintenir les chaînes CI/CD avec Azure DevOps ou GitHub Actions.

Infrastructure as Code et exploitation

• Décrire et versionner les infrastructures avec Bicep et/ou Terraform.

• Automatiser le provisionnement, les tests, les contrôles de sécurité, les déploiements et les rollbacks.

• Mettre en place l’observabilité : logs, métriques, traces, latence, erreurs, consommation de tokens et coûts.

• Contribuer au diagnostic des incidents, à la documentation et au transfert de compétences aux équipes DSI.

Sécurité et FinOps

• Implémenter les garde-fous IA : contrôle des outils, limitation des permissions, protection contre les prompt injections et validation humaine.

• Mettre en place le suivi des coûts par produit, environnement, modèle ou agent.

• Optimiser les modèles, quotas, capacités, caches et architectures selon les objectifs de coût, qualité et performance.