Les missions du poste
Le besoin
Dans le cadre de l'industrialisation de produits data et d'intelligence artificielle, l'entreprise souhaite renforcer son équipe Data & AI par un profil d'AI Engineer expérimenté. Ce renfort interviendra sur l'ensemble du cycle de vie des solutions de Machine Learning et d'IA générative, depuis la mise en place des environnements jusqu'à leur déploiement, leur supervision, leur optimisation et leur maintien en conditions opérationnelles.
L'objectif est de proposer un profil immédiatement opérationnel, capable d'associer ingénierie logicielle, expertise cloud Azure, pratiques MLOps/LLMOps, automatisation de l'infrastructure, sécurité et maîtrise des coûts.
Positionnement dans l'équipe
L'AI Engineer rejoindra une équipe en mutation, orientée delivery et valeur métier, avec une forte culture de collaboration terrain inspirée des approches Forward Deployed Engineering (FDE). Il travaillera au quotidien avec :
- un Architecte IA, garant de la cohérence des choix d'architecture et des standards
- des Data Scientists, en charge de la conception et de l'évaluation des modèles et approches data/IA
- un Product Owner IA, responsable de la priorisation, de la valeur et du pilotage du backlog
- les équipes Data Platform, Cloud, Sécurité, Architecture, Développement et Métiers selon les cas d'usage
- les équipes DSI pour accompagner la montée en compétence et le delivery
Le prestataire devra adopter une posture de co-construction : comprendre rapidement un besoin, proposer une solution pragmatique, construire et déployer, mesurer le résultat, documenter et transférer les compétences aux autres équipes DSI.
Objet de la prestation
La mission s'inscrit dans une transformation visant à faire évoluer les initiatives IA d'une logique d'expérimentation vers une logique de produits industrialisés, gouvernés, mesurables et maintenables. L'enjeu est de raccourcir le passage du prototype à la production tout en garantissant la sécurité, la qualité, la traçabilité, l'observabilité, la réversibilité et la maîtrise des coûts.
La stack cible est principalement orientée Microsoft Azure, avec appui sur des plateformes de données telles que Snowflake et sur des standards ouverts d'interopérabilité comme OSSIE et A2A. La mission couvre les cas d'usage de Machine Learning ainsi que les solutions d'IA générative : agents, RAG, skills, outils et orchestrations multi-agents.
Missions et responsabilités
1. Plateforme IA et cloud Azure
- Concevoir, déployer et administrer les ressources nécessaires aux produits IA sur Microsoft Azure et Microsoft Foundry
- Industrialiser les services Azure, l'AI Gateway, les runtimes d'agents, les mécanismes de RAG, les API et les composants d'intégration
- Mettre en oeuvre les exigences d'identité, de rôles et accès, de gestion des secrets, de chiffrement, de journalisation, de réseau privé et de séparation des environnements
- Contribuer aux architectures d'intégration avec les plateformes de données Snowflake ainsi qu'avec les API et systèmes transactionnels
2. Infrastructure as Code, CI/CD et automatisation
- Décrire et versionner les infrastructures et configurations par Infrastructure as Code, prioritairement avec Bicep
- Construire et maintenir des chaînes CI/CD pour le code applicatif, les modèles, les prompts, les configurations, les agents, les évaluations et l'infrastructure
- Automatiser le provisionnement, les tests, les contrôles de sécurité, les promotions entre environnements, les déploiements et les mécanismes de retour arrière
- Appliquer des standards d'ingénierie logicielle : Git, revue de code, gestion des dépendances, tests automatisés, packaging, conteneurisation et gestion des versions
3. MLOps et cycle de vie Machine Learning
- Mettre en place et exploiter des pipelines reproductibles de préparation, entraînement, évaluation, validation, déploiement et supervision des modèles
- Utiliser MLflow pour le suivi des expérimentations, le registre de modèles, la traçabilité des artefacts et la promotion des versions
- Outiller la surveillance de la qualité des données et modèles, de la dérive, de la performance, de la latence et des incidents
- Définir des procédures de rollback, de réentraînement, d'archivage et de retrait des modèles
4. LLMOps, agents et IA générative
- Industrialiser le cycle de vie des applications GenAI : prompts, modèles, embeddings, index, knowledge, RAG, agents, tools et skills
- Déployer des agents et orchestrations multi-agents ; mettre en oeuvre les protocoles d'interopérabilité A2A et API
- Mettre en place l'observabilité de bout en bout : traces, appels de modèles et d'outils, latence, consommation de tokens, coûts, erreurs et corrélation des transactions
- Construire des dispositifs d'évaluation continue : jeux de tests, qualité des réponses, pertinence, robustesse, sécurité et non-régression
- Implémenter les garde-fous adaptés : filtrage, contrôle des outils, limitation des permissions, protection contre les prompt injections, validation humaine et mécanismes d'arrêt ou de retrait
5. FinOps Azure et maîtrise économique
- Mettre en place le tagging, l'allocation et la restitution des coûts par environnement, produit, modèle, agent, usage ou entité lorsque les données le permettent
- Construire des tableaux de bord via les standards Azure, budgets, alertes et indicateurs de consommation, analyser les écarts et proposer des plans d'optimisation
- Optimiser les choix de modèles, le routage, les quotas, le cache, la capacité, le scaling et les ressources data/cloud selon des objectifs de coût, qualité, performance et disponibilité
- Contribuer aux arbitrages build/run et produire des recommandations chiffrées et actionnables
6. Run, fiabilité et amélioration continue
- Définir les standards de monitoring, alerting, journalisation, gestion d'incident, reprise, sauvegarde, rollback et continuité de service
- Contribuer au diagnostic et à la résolution des incidents affectant les produits IA et leurs dépendances
- Documenter l'architecture via Confluence, l'exploitation, les procédures, les décisions et les limites connues
Profil recherché
Le profil recherché est un AI Engineer senior, polyvalent et orienté production. Il doit être capable de naviguer entre architecture, développement, cloud, data platform, déploiement, observabilité et exploitation, sans se limiter à un rôle d'administration de plateforme.
Compétences fonctionnelles
- Connaissance de Salesforce (Sales Cloud, Service Cloud ou autre cloud), Multi Cloud apprécié avec priorité à Service Cloud et Sales Cloud
- Compréhension des processus CRM et de la logique orientée données
- Capacité à analyser un besoin métier et à le traduire en exigences fonctionnelles
- Aisance dans la rédaction d'User Stories et de critères d'acceptation (ATDD)
Expérience attendue
- Formation supérieure en informatique, data, cloud ou domaine équivalent
- Expérience significative dans l'industrialisation de solutions de Machine Learning et/ou d'IA générative en environnement de production, notamment déploiement de LLM
- Expérience démontrable sur Azure et sur au moins une plateforme data moderne telle que Snowflake ou Databricks
- Expérience de delivery dans des équipes multidisciplinaires
- Expérience en environnement Agile / Scrum / SAFe
Compétences indispensables
- Microsoft Azure : Microsoft Foundry / Azure AI, Azure OpenAI, identité et accès, Key Vault, réseau, monitoring, coûts et services d'intégration
- MLOps : MLflow, pipelines de modèles, registre, traçabilité, promotion, déploiement, monitoring, dérive et rollback
- LLMOps / GenAI : déploiement de LLM via Gateway, RAG, embeddings, évaluations, traces, prompts versionnés, agents, tools, guardrails, observabilité et sécurité
- Agentique : déploiement et orchestration d'agents ; compréhension opérationnelle des protocoles A2A et MCP
- IaC / DevOps : Terraform et/ou Bicep, Git, CI/CD Azure DevOps ou GitHub Actions, tests, conteneurs, automatisation et gestion des environnements
- Data Platform : intégration dans une data platform (Snowflake et/ou Databricks), pipelines, qualité, gouvernance, performance et gestion des accès
- FinOps : allocation, tagging, suivi, prévision, alertes, optimisation des consommations Azure et coûts spécifiques aux modèles/agents
- Développement : Python indispensable ; maîtrise des API REST, du développement backend et des pratiques de software engineering
Compétences requises
- Python
- Amélioration continue
- API
- Intelligence artificielle
- Packaging
- Salesforce
- Routage
- Terraform
- Machine learning
- Git
- Sauvegarde des données
- Monitoring
- Scrum
- CRM
- Confluence
- API REST