Ingénieur·e MLOps Aéronautique/Défense H/F

Quel est le projet ?

Pour l’un de nos clients, acteur technologique de référence dans les secteurs de la défense et de l’aéronautique, nous recherchons un(e) Ingénieur(e) MLOps.

Notre client conçoit des solutions d’intelligence artificielle appliquées à des données complexes, telles que des images haute résolution, des flux vidéo et des signaux acoustiques. Ces solutions permettent notamment de détecter et d’identifier automatiquement des objets d’intérêt dans des environnements opérationnels exigeants. Les technologies développées sont également appliquées à des cas d’usage industriels, notamment pour l’inspection de pièces critiques, la détection d’anomalies et l’optimisation des processus de production.

Vous rejoindrez une équipe pluridisciplinaire composée de profils issus de l’IA, du Data Engineering et du Software. Cette équipe développe une plateforme Data et MLOps permettant d’accélérer le développement et la mise en production de modèles de Machine Learning et de Deep Learning.

La plateforme couvre l’ensemble du cycle de vie des modèles :

• ingestion et préparation des données ;

• construction et stockage des jeux de données ;

• entraînement des modèles ;

• évaluation et comparaison des performances ;

• packaging des modèles ;

• déploiement et serving ;

• supervision et monitoring ;

• traçabilité des traitements et des résultats.

Quels sont les enjeux de la mission ?

La plateforme IA évolue pour accompagner un nombre croissant de modèles, de types de données et d’utilisateurs, internes comme externes. Dans ce contexte, vous contribuerez à renforcer la robustesse, la maintenabilité, l’exploitabilité et la capacité à passer à l’échelle de la plateforme MLOps. Le poste comporte une forte dimension Deep Learning et optimisation des workloads IA sur GPU.

Vous interviendrez notamment sur les problématiques de déploiement, de performance et d’exploitation de modèles nécessitant des ressources de calcul importantes.

Vous pourrez également participer au déploiement de la plateforme chez des clients, y compris dans des environnements contraints ou on-premise liés aux activités de défense.

Quelles seront vos missions ?

Vous travaillerez notamment à :

• faire évoluer les composants de la plateforme MLOps dans des environnements cloud et on-premise ;

• concevoir et améliorer les outils mis à disposition des Data Scientists ;

• accélérer les phases de développement, d’entraînement, de réentraînement, d’évaluation et de packaging des modèles ;

• industrialiser et déployer des modèles de Machine Learning et de Deep Learning en production ;

• optimiser les workloads IA sur GPU afin d’améliorer les performances, la latence et l’utilisation des ressources ;

• travailler sur la gestion de configurations multi-GPU et sur l’allocation des ressources de calcul ;

• contribuer au serving et à l’exposition des modèles en production ;

• mettre en place et améliorer les dispositifs de monitoring, d’observabilité et d’alerte ;

• réaliser des opérations de profiling et de benchmarking sur les modèles et les pipelines d’inférence ;

• analyser les performances des workloads IA et identifier les leviers d’optimisation ;

• contribuer à la fiabilité, à la reproductibilité et à la traçabilité des traitements ;

• accompagner le déploiement de la plateforme et des solutions IA chez les clients ;

• prendre en compte les contraintes spécifiques aux environnements sécurisés ou déconnectés ;

• assurer une veille technologique sur les architectures MLOps, les frameworks de Deep Learning et les technologies GPU ;

• proposer des évolutions pragmatiques de la stack technique et des pratiques de développement ;

• participer aux choix techniques et à l’évolution des méthodes de travail de l’équipe ;

• partager les bonnes practices à travers le pair programming, le mentorat et les retours d’expérience.

Quel est l'environnement technique ?

Vous travaillerez notamment avec les technologies et outils suivants :

• Python ;

• frameworks de Deep Learning tels que PyTorch ou TensorFlow ;

• Docker et Kubernetes ;

• outils d’orchestration de pipelines ;

• solutions de suivi d’expériences et de versioning des modèles ;

• outils de serving et de monitoring ;

• environnements GPU NVIDIA ;

• outils de profiling et d’analyse de perfor