Fondé en 1986, ALTEN est un leader mondial de l’ingénierie et du conseil en technologies, présent dans plus de 30 pays avec 50 000 collaborateurs. En France, ALTEN accompagne les grands comptes et les startups innovantes dans leurs projets technologiques les plus ambitieux, notamment dans les secteurs de l’aéronautique, de la défense, de l’énergie, des télécoms et du numérique.
Notre expertise couvre l’ingénierie système, le développement logiciel, les infrastructures cloud, la cybersécurité, l’IA et la data science. Avec une culture forte d’innovation et d’agilité, ALTEN place l’humain au cœur de sa stratégie, en offrant à ses collaborateurs des parcours professionnels enrichissants, des formations certifiantes et un environnement stimulant.
Rejoindre ALTEN, c’est intégrer un écosystème où l’excellence technique rime avec engagement humain et impact sociétal.
Contexte du poste
Dans 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 principales
1. Industrialisation des pipelines ML
Concevoir 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 production
Déployer 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 DevOps
Travailler 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 modèles
Mettre 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 conformité
Garantir la conformité des pipelines et des modèles avec les normes de sécurité (Secret Défense, ISO 27001, 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 technique
MLOps et orchestration
Outils 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 infrastructures
Plateformes 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 frameworks
Langages : Python (obligatoire), SQL, Bash.
Frameworks ML : TensorFlow, PyTorch, Scikit-learn, XGBoost, Hugging Face.
Librairies et outils : Pandas, NumPy, Dask, Apache Spark.
Monitoring et logging
Outils : Prometheus, Grafana, ELK Stack (Elasticsearch, Logstash, Kibana), Weights & Biases, Arize.
Sécurité et conformité
Normes : ISO 27001, RGPD, Secret Défense.
Outils : Vault, IAM (Identity and Access Management), chiffrement des données.
Profil recherché
Formation
Diplôme d’ingénieur (Bac+5) en informatique, data science, mathématiques appliquées, ou équivalent.
Habilitation Secret Défense (obligatoire pour ce poste).
Expérience
Minimum 5 ans d’expérience en tant qu’Ingénieur MLOps, Data Engineer, ou DevOps spécialisé en ML.
Expérience confirmée dans le déploiement et la gestion de modèles de Machine Learning en production.
Compétences clés
Maîtrise des outils MLOps (MLflow, Kubeflow, TFX, etc.).
Excellente connaissance des pipelines CI/CD et des bonnes pratiques DevOps.
Capacité à automatiser les processus de développement et de déploiement des modèles.
Compréhension des enjeux de sécurité et de conformité (Secret Défense, RGPD, etc.).
Anglais technique (pour collaborer avec des équipes internationales ou des clients).
Compétences complémentaires appréciées
Certifications : Google Cloud Professional Data Engineer, AWS Certified Machine Learning, Azure AI Engineer, ou certifications MLOps.
Expérience dans des secteurs réglementés (défense, santé, finance).
Connaissance des modèles de Gen AI (LLM, fine-tuning, RAG) et de leur déploiement en production.
Expérience avec des outils de monitoring avancés (Weights & Biases, Arize, etc.).
Qualités personnelles
Autonomie et rigueur dans la gestion des pipelines et des modèles.
Esprit d’équipe et capacité à travailler en mode projet.
Curiosité et envie d’apprendre dans un domaine en constante évolution.
Excellentes capacités de communication (français et anglais).
Environnement de Travail
Lieu : Île-de-France
Type de contrat : CDI
France
Switzerland