🎯 Contexte de mission

Au sein d’une équipe Data & IA, la mission s’inscrit dans l’accompagnement des utilisateurs d’un nouveau cluster haute performance dédié aux workloads Data et Intelligence Artificielle.

L’Expert MLOps joue un rôle d’interface entre les équipes métiers, Data Scientists et l’infrastructure technique. Il intervient depuis les phases de prototypage jusqu’à l’industrialisation et la mise en production des modèles IA.

Son objectif est de faciliter l’intégration des cas d’usage IA sur l’infrastructure existante, tout en garantissant la performance, la fiabilité et l’optimisation des ressources de calcul.

🛠️ Missions principales et rôle

🤝 Accompagnement des utilisateurs

• Comprendre les cas d’usage métiers dans des secteurs tels que l’aéronautique, l’énergie, le transport et la défense.

• Échanger avec les Data Scientists afin d’identifier les besoins techniques des projets Data/IA.

• Cadrer les besoins d’intégration et de déploiement des modèles.

• Accompagner les équipes dans leurs phases d’expérimentation et de prototypage.

• Vulgariser les problématiques techniques auprès d’interlocuteurs non spécialistes.

⚙️ Industrialisation & MLOps

• Concevoir, développer et prototyper des pipelines MLOps.

• Orchestrer les processus de déploiement des modèles IA sur le cluster.

• Transformer les prototypes développés par les Data Scientists en solutions industrialisées.

• Automatiser les différentes étapes du cycle de vie des modèles.

• Accompagner la mise en production des modèles et leur intégration dans l’environnement technique.

🚀 Optimisation des modèles & infrastructures GPU

• Optimiser les performances de calcul des workloads IA.

• Exploiter efficacement les ressources GPU NVIDIA et CUDA.

• Optimiser les phases d’entraînement et d’inférence.

• Identifier les problématiques de performance et proposer des solutions adaptées.

• Adapter les besoins des applications IA aux capacités de l’infrastructure GPU.

☁️ Interface DevOps / Data & IA

• Collaborer étroitement avec les équipes DevOps et administration infrastructure.

• Garantir l’adéquation entre les environnements Kubernetes/GPU et les besoins des applications IA.

• Participer à la définition des bonnes pratiques de déploiement des workloads ML/DL.

• Contribuer à l’évolution de l’outillage MLOps et de l’environnement technique.

🧪 Support & prototypage

• Assister les équipes Data Scientists dans leurs expérimentations.

• Participer au développement de prototypes techniques.

• Identifier les solutions permettant de passer efficacement de l’expérimentation à l’industrialisation.

• Accompagner les utilisateurs dans la prise en main de l’environnement MLOps.

🎯 Objectifs

• Faciliter l’adoption du cluster haute performance par les équipes Data & IA.

• Transformer les expérimentations en solutions IA industrialisées et déployables.

• Mettre en place des pipelines MLOps fiables et reproductibles.

• Optimiser l’utilisation des ressources GPU/CUDA.

• Garantir l’adéquation entre les besoins des projets IA et l’infrastructure Kubernetes.

• Améliorer l’autonomie des Data Scientists dans le déploiement de leurs modèles.

• Structurer et faire évoluer les pratiques d’industrialisation IA.

📦 Livrables

• Pipelines d’industrialisation et de déploiement des modèles IA.

• Prototypes et solutions MLOps adaptés aux cas d’usage.

• Modèles et workloads IA intégrés au cluster.

• Solutions d’optimisation des performances GPU/CUDA.

• Documentation technique et guides d’utilisation.

• Contributions aux bonnes pratiques de déploiement et d’exploitation des modèles.

💻 Compétences requises

🤖 Machine Learning & IA

• Environnements de développement Machine Learning / Deep Learning.

• Python.

• Compréhension des cycles de vie des modèles ML/DL.

• Expérience de l’industrialisation et du déploiement de modèles IA.

• Connaissance des problématiques d’entraînement et d’inférence.

🖥️ Infrastructure & GPU

• CUDA.

• NVIDIA GPUs.

• Optimisation des performances de calcul GPU.

• Compréhension des architectures de calcul haute performance.

• Environnements Linux / Ubuntu.

🐳 Conteneurisation & orchestration

• Docker.

• Kubernetes.

• Déploiement et gestion de workloads IA conteneurisés.

• Interaction avec des infrastructures Kubernetes dédiées aux GPU.

💾 Data & stockage

• Manipulation de volumes importants de données.

• Connaissance des environnements de stockage distribué haute performance.

• Compréhension des enjeux de performance liés aux flux de données pour l’entraînement et l’inférence.

⚙️ MLOps & DevOps

• Conception et orchestration de pipelines MLOps.

• Automatisation des déploiements.

• Collaboration avec des équipes infrastructure et DevOps.

• Compréhension des enjeux d’industrialisation, de reproductibilité et de mise en production des modèles.

👤 Profil

• Formation supérieure en informatique, Data, IA ou domaine équivalent.

• Expérience confirmée sur un poste de MLOps Engineer, Machine Learning Engineer ou Data Engineer avec une forte composante infrastructure.

• Bonne compréhension des environnements GPU, CUDA, Kubernetes et Docker.

• Capacité à faire le lien entre les besoins des Data Scientists et les contraintes d’infrastructure.

• Expérience dans l’industrialisation et le déploiement de modèles Machine Learning.

• Forte capacité d’analyse et de résolution de problèmes techniques.

• Excellent relationnel et goût pour l’accompagnement utilisateur.

• Très bonnes capacités d’écoute, de pédagogie et de vulgarisation.

• Autonomie, pragmatisme et esprit de collaboration.