Chef de projet Intégration DevOps & ML Engineer Cloud - Freelance (H/F)

Taux journalier (TJM): 500€/jourCONTEXTEAu 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 formera 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.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 et fiches de transfert vers le Run.PÉRIMÈTRE OPÉRATIONNEL - DEUX VOLETS ML EN PRODUCTIONVolet 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.OUTILS & ENVIRONNEMENT * Langages & Frameworks : Python avancé, boto3, MLflow * Cloud & IA : AWS (Lambda, S3, Glue,