Chef de projet Intégration , DEVOPS & ML Engineer Cloud - Freelance

Taux journalier (TJM): 590

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, DevOps & 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 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.