Contexte du posteDans le cadre de notre développement dans le domaine de l'intelligence artificielle et du Machine Learning, nous recherchons un Ingénieur MLOps pour rejoindre nos équipes en Île-de-France. Vous serez en charge de déployer, industrialiser et maintenir des pipelines de Machine Learning en production, en garantissant leur fiabilité, scalabilité et sécurité. Votre expertise sera cruciale pour automatiser les processus de développement, de test et de déploiement des modèles d'IA, tout en collaborant avec les équipes Data Science, DevOps et Cloud.Missions principales1. Industrialisation des pipelines MLConcevoir et déployer des pipelines MLOps pour automatiser le cycle de vie des modèles (entraînement, validation, déploiement, monitoring).Intégrer des outils MLOps comme MLflow, Kubeflow, TensorFlow Extended (TFX), ou Airflow pour orchestrer les workflows.Automatiser les tests et la validation des modèles (unit tests, integration tests, validation des données).2. Déploiement et gestion des modèles en productionDéployer des modèles de Machine Learning en environnement de production (on-premise, cloud, ou hybride).Optimiser les performances des modèles en production (latence, scalabilité, consommation de ressources).Gérer les versions des modèles et assurer leur traçabilité (model registry, versioning).3. Collaboration avec les équipes Data Science et DevOpsTravailler en étroite collaboration avec les Data Scientists pour industrialiser leurs modèles et les rendre opérationnels.Participer à la définition des architectures avec les équipes DevOps et Cloud pour garantir l'intégration des modèles dans les infrastructures existantes.Documenter les processus et les bonnes pratiques pour les équipes internes et les clients.4. Monitoring et maintenance des modèlesMettre en place des solutions de monitoring pour suivre les performances des modèles en production (dérive des données, précision, latence).Détecter et corriger les anomalies (ex : drift des données, dégradation des performances).Assurer la maintenance évolutive des modèles et des pipelines (mises à jour, retraining, etc.).5. Sécurité et conformitéGarantir la conformité des pipelines et des modèles avec les normes de sécurité (Secret Défense, ISO , RGPD).Appliquer les bonnes pratiques en matière de protection des données et de sécurité des modèles (ex : chiffrement, gestion des accès).Participer aux audits de sécurité et appliquer les correctifs nécessaires.Environnement techniqueMLOps et orchestrationOutils MLOps : MLflow, Kubeflow, TensorFlow Extended (TFX), Airflow, Metaflow.Model Registry : MLflow Model Registry, Hugging Face Hub, ou solutions propriétaires.CI/CD pour le ML : Intégration avec Jenkins, GitLab CI/CD, GitHub Actions.Cloud et infrastructuresPlateformes cloud : Google Cloud Platform (GCP), Amazon Web Services (AWS), Microsoft Azure.Services cloud pour le ML : Vertex AI (GCP), SageMaker (AWS), Azure Machine Learning.Conteneurisation : Docker, Kubernetes (K8s), OpenShift.Langages et frameworksLangages : Python (obligatoire), SQL, Bash.Frameworks ML : TensorFlow, PyTorch, Scikit-learn, XGBoost, Hugging Face.Librairies et outils : Pandas, NumPy, Dask, Apache Spark.Monitoring et loggingOutils : Prometheus, Grafana, ELK Stack (Elasticsearch, Logstash, Kibana), Weights & Biases, Arize.Sécurité et conformitéNormes : ISO , RGPD, Secret Défense.Outils : Vault, IAM (Identity and Access Management), chiffrement des données.