Chef de projet Intégration DevOps & ML Engineer Cloud - Freelance

Contexte

TJM : 500 €/jour. Mission freelance au sein du Pôle Infrastructure Technique de la DSI, dont 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).

Le prestataire intervient à l'interface entre les équipes Métier / Data Science et les équipes Infrastructure / Exploitation. Il travaille en 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.

Missions

• Industrialisation IA (MLOps / LLMOps) : concevoir et maintenir des architectures cloud hybrides AWS / Azure pour les charges IA (ML, GenAI/LLM, Computer Vision).
• Développer et fiabiliser les pipelines CI/CD ML (réentraînement, validation/gate, exposition d'API).
• Intégrer les services cognitifs managés (Bedrock, Azure OpenAI).
• Développer des modules Terraform documentés et réutilisables pour les briques IA.
• Accompagner la modernisation des composants vers des architectures conteneurisées (Docker, AKS / EKS) et serverless.
• Accompagner les Data Scientists pour rendre leurs modèles « production-ready » selon les standards d'infrastructure.
• Assurer le support N3 IA/Data et faire monter en compétence les équipes d'exploitation.
• Auditer et optimiser les coûts Cloud IA (instances GPU, appels aux services cognitifs/LLM).
• Garantir la sécurité et la conformité des données (IAM / RBAC, KMS, Private Endpoints).
• Produire les livrables contractuels : dossiers d'architecture de référence (DAT / DEX), modules Terraform versionnés, pipelines MLOps automatisés, audits d'optimisation FinOps IA, documentation d'exploitation, fiches de transfert vers le Run.

Périmètre opérationnel : deux volets ML en production

Volet 1 : cas d'usage ML sur AWS (data science appliquée et 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 : 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.

Outils et environnement

• Langages et frameworks : Python avancé, boto3, MLflow.

Ce qui te ferait sortir du lot (côté sécurité)

Zeroday : sur un poste comme celui-ci, ce qui fait la différence côté sécurité :

• gérer les clés d'API des services cognitifs (Bedrock, Azure OpenAI) dans un gestionnaire de secrets, jamais dans le code ni dans les variables de pipeline ;
• appliquer le moindre privilège IAM / RBAC aux identités des pipelines d'entraînement et d'inférence, distinctes de celles des développeurs ;
• filtrer les entrées et les sorties des LLM (injection de prompt, données sensibles) avant d'exposer une API de RAG ;
• versionner et tracer les jeux de données, pour savoir quelle donnée sensible a alimenté quel modèle.