Le responsable recherche un ingénieur DevOps expérimenté pour assurer la réalisation technique et l'exploitation de la plateforme IA opérée par l'équipe IA Ops de la cellule d'expertise IA. La plateforme héberge l'ensemble des cas d'usage IA et data science du groupe, de l'expérimentation à la mise en production. La prestation porte sur le déploiement, l'automatisation, le monitoring et la fiabilisation de l'infrastructure et des environnements applicatifs nécessaires à la mise en production des cas d'usage IA, dans le respect du cadre industriel et de sécurité du SI. L'environnement technique actuel repose sur des technologies éprouvées (Linux/RHEL, Docker, Ansible, PostgreSQL, plateforme Dataiku DSS, infrastructure GPU on-premise). Une nouvelle stack technique, plus largement open source et orientée industrialisation des modèles, est en cours d'étude et sera progressivement déployée sur la durée de la prestation ; l'ingénieur DevOps contribuera à son évaluation et à sa mise en ?uvre. Réalisation technique et exploitation : Déploiement et paramétrage de l'infrastructure, des environnements et du code packagé sur le périmètre data science / IA Mise en place et maintien de pipelines d'intégration et de déploiement continu (CI/CD) Automatisation via Infrastructure as Code (Ansible) Développement de scripts de monitoring des traitements et des modèles Configuration et administration des outils de la plateforme (orchestration, registre de modèles, supervision) Maîtrise d'un environnement Linux (idéalement RHEL) et des conteneurs (Docker, Kubernetes) L'ingénieur veille au respect des processus et du cadre industriel SI, ainsi qu'aux bonnes pratiques de versioning (code et configuration), de reproductibilité et de traçabilité. Il contribue à la définition et à la diffusion de standards techniques au sein de l'équipe (templates de projets, guidelines de développement, socle d'industrialisation) et assure une veille technologique active sur l'écosystème DevOps et d'industrialisation IA. Compétences techniques : solide maîtrise des standards de code de l'industrie (Git, CI/CD, tests automatisés) et capacité à les appliquer ; expérience en Python et en SQL ; connaissance des technologies de conteneurisation (Docker, Kubernetes) et d'Infrastructure as Code (Ansible, Terraform) ; aisance dans l'administration d'un environnement Linux/RHEL. Une expérience dans un contexte d'exploitation de plateforme ou d'environnement de production est un plus significatif. Compétences relationnelles et de communication : capacité à accompagner et conseiller les équipes data science dans l'adoption des bonnes pratiques d'industrialisation, à vulgariser des sujets techniques, aisance rédactionnelle pour la documentation technique et d'architecture, goût pour le travail en équipe restreinte où chacun contribue concrètement aux livrables. En complément (atouts appréciés, non indispensables) : connaissance des outils et pratiques d'industrialisation des modèles de Machine Learning (MLOps) ? registre de modèles, suivi des dérives (drift), orchestration de pipelines de données et de modèles (de type MLflow, Kubeflow, Airflow ou équivalents) ? ainsi que de la plateforme Dataiku. Sensibilité aux enjeux de gouvernance et de sécurité des modèles IA. Ces compétences pourront être mobilisées et développées sur la durée de la prestation au gré de la montée en charge de la plateforme. Appétence souhaitée pour les outils d?IA générative. Solutions d?entreprise Claude AI et Microsoft Copilot.