Analyste d'exploitation / Domain Data - MLOps - Data Platform

Le besoin

Un leader dans le domaine des solutions de leasing est à un tournant crucial où l'exploitation des données doit devenir un levier central de transformation et de compétitivité. Plusieurs défis structurels doivent être adressés pour réussir cette transition vers une organisation véritablement axée sur les données (insuffisance du Data Management existant, dépendances fortes à des systèmes legacy qui ont vocation à être décommissionnés à court et moyen termes, limites structurelles des outils et solutions actuels).

Le projet doit permettre de valider la capacité de mise en œuvre d'un projet de data science depuis sa phase exploratoire jusqu'à sa phase d'industrialisation. Projet à mener pour une application de ciblage commercial permettant aux commerciaux une approche de vente proactive du crédit-bail pour des clients déjà équipés de contrats cadres.

• Mise en œuvre des Pipelines Machine Learning :
  • Concevoir, déployer et maintenir des pipelines de machine learning automatisés, intégrant l'ensemble des étapes du cycle de vie des modèles, de l'entraînement à la mise en production.
  • Assurer l'intégration des modèles de machine learning dans les environnements de production, en s'assurant de la scalabilité, des performances et de la fiabilité des solutions mises en œuvre.
  • Collaborer étroitement avec les data scientists et ingénieurs data pour faciliter la transition des modèles depuis les phases d'expérimentation jusqu'à l'industrialisation, tout en optimisant les pipelines de bout en bout.

• Automatisation et industrialisation des modèles :
  • Mettre en place des processus d'industrialisation des modèles de machine learning pour garantir une gestion continue et fiable des modèles en production, avec des mécanismes de surveillance automatique.
  • Automatiser les tâches critiques, telles que l'entraînement, le déploiement, la gestion des versions, et la surveillance des performances des modèles.
  • Intégrer des solutions de monitoring pour garantir que les modèles en production respectent les critères de performance, de dérive et de précision définis.

• Adaptation de l'infrastructure et des environnements de production :
  • Participer à la mise en place d'une infrastructure (Cloud / DMZR) robuste et évolutive qui soutient l'entraînement et l'inférence des modèles à grande échelle.
  • Optimiser l'utilisation des ressources (GPU, CPU) pour l'entraînement et la mise en production des modèles, en fonction des besoins spécifiques du projet.

• Surveillance, maintenance et gestion du cycle de vie des modèles :
  • Mettre en œuvre des systèmes de monitoring pour suivre les performances des modèles en production, détecter les dérives, et initier les actions correctives automatisées.
  • Assurer une maintenance continue des modèles en production pour garantir leur conformité avec les objectifs métiers, en supervisant la mise à jour des modèles et la gestion de leurs versions.
  • Gérer le cycle de vie complet des modèles, de la phase d'entraînement initiale à la mise à jour et dépréciation des modèles obsolètes.

• Collaboration et documentation des processus :
  • Collaborer étroitement avec les data scientists, les ingénieurs data et les DevOps pour assurer l'intégration fluide des pipelines de machine learning dans l'infrastructure IT existante.
  • Documenter de manière exhaustive les processus et les pipelines mis en place, incluant les workflows automatisés, les architectures, et les pratiques de surveillance des modèles.
  • Assurer une communication continue avec les équipes métiers et techniques pour garantir l'alignement sur les besoins et objectifs du programme.

Compétences

• Expérience confirmée en MLOps : Expérience solide dans la gestion du cycle de vie des modèles de machine learning, de la phase de développement jusqu'à la mise en production et la maintenance.

• Compétences en automatisation des pipelines : Expertise dans la mise en place de pipelines automatisés de machine learning et d'intégration continue (CI/CD) pour les modèles.

• Connaissance des technologies Cloud : Expérience dans la gestion d'infrastructures cloud pour le déploiement et l'entraînement des modèles, en assurant la scalabilité et la performance.

• Maîtrise des outils et frameworks MLOps : Compétence dans l'utilisation d'outils tels que Kubeflow et Kubernetes, et des solutions d'orchestration de pipelines.

• Surveillance des modèles et gestion des versions : Compétence dans le suivi et la maintenance des modèles en production, avec une expertise dans le monitoring de la dérive des données et la gestion des versions de modèles.