🎯 Mission principale En tant que MLOps / LLMOps Engineer, vous êtes le pont indispensable entre le monde de la Data / IA et celui des Opérations / Cloud. Votre rôle est d'industrialiser, automatiser et sécuriser l'ensemble du cycle de vie des modèles d'IA (Machine Learning traditionnel, Deep Learning et IA Générative / LLM) pour transformer les PoCs de nos clients grands comptes en solutions de production hautement disponibles et performantes. 🛠️ Activités clés & Livrables Industrialisation & Automatisation du Cycle de Vie IA (CI/CD/CT) Concevoir et automatiser les pipelines d'intégration, de déploiement et d'entraînement continu (CI/CD/CT) pour les modèles de ML et d'IA Générative. Standardiser le packaging, le versionnement (données, code, modèles) et le déploiement des briques d'IA (APIs, microservices, architectures RAG). Mettre en place des stratégies de déploiement avancées (Canary, Blue/Green, A/B Testing) pour les microservices et modèles d'IA. Infrastructure, Inférence & Scalabilité Cloud Provisionner et faire évoluer les environnements de calcul et de déploiement (clusters Kubernetes, clusters GPU, frameworks de serving comme Triton, vLLM, Ray). Automatiser la gestion de l'infrastructure via l'Infrastructure as Code (IaC) et l'intégration des pratiques DevOps aux sujets Data/IA. Optimiser la latence d'inférence, le throughput et l'allocation des ressources matérielles critiques (GPU/NPU). Observabilité, Gouvernance & FinOps IA Mettre en place un monitoring complet en production : détection de dérive de données/modèles (Data/Model Drift), traçabilité des LLM (LangSmith, LangFuse, Phoenix). Assurer la gouvernance, la sécurité des données, la gestion des accès et l'implémentation de garde-fous (Guardrails) pour l'IA générative. Analyser et optimiser les coûts d'infrastructure liés à l'IA (consommation GPU, requêtage LLM, stockage vectoriel).