Pour notre client, nous rechechons en ce moment un Ingénieur MLOps / LLMOps, Azure AI & Copilot Studio.Objectifs de la missionInstrumenter et établir une base de référence de l'agent existant : qualité de la récupération, troncature du contexte, limitations de débit (throttling), latence et ancrage des réponses dans les sources, mesurés sur des cas métier réelsDistinguer les limites intrinsèques de la plateforme des problèmes de paramétrage et de prompt, et restituer cette distinction de façon claire à un public non techniqueRecommander et faire valider une architecture cible : optimisation au sein de Copilot Studio, ou bascule vers Azure AI Foundry / Azure OpenAI avec une couche de récupération dédiéeConstruire la chaîne de traitement et de récupération en production : ingestion, découpage des documents, embeddings, indexation, recherche hybride et rerankingMettre en place un dispositif d'évaluation avec jeux de données de référence et tests de non-régression, afin que chaque évolution soit mesurée et non supposéeImplémenter la CI/CD, la séparation des environnements, le versioning des prompts et des configurations, ainsi que les procédures de retour arrièreDéployer le monitoring et l'observabilité : coût et consommation de tokens par requête, modes de défaillance, dérive, boucle de retour utilisateursGarantir la conformité en matière de localisation des données, de gestion des accès, de traitement des données personnelles et de piste d'audit, en cohérence avec les politiques groupe et la gouvernance des modèlesDocumenter la solution et assurer le transfert de compétences vers les équipes internesProfil candidat:5 ans+ en ingénierie data ou ML, dont au moins 2 ans sur des systèmes d'IA générative en production, et non uniquement en POCMaîtrise de l'écosystème Azure : Azure AI Foundry / Azure OpenAI, Azure AI Search, Functions, Key Vault, Azure DevOps ou GitHub ActionsPratique confirmée de Microsoft Copilot Studio et de la Power Platform : stratégie d'environnements, politiques DLP, connaissance concrète des limites de capacité et de throttlingConception éprouvée d'architectures RAG à l'échelle : stratégie de découpage, récupération hybride, reranking, gestion de la fenêtre de contexteOutils d'évaluation et d'observabilité (Azure AI Evaluation, RAGAS, LangSmith ou équivalent)Python, infrastructure as code (Bicep ou Terraform), GitExpérience de la livraison en environnement réglementéCapacité à remettre en question un diagnostic établi de manière constructive, en étayant l'alternative par des éléments factuels

Sourced from LinkedIn. Relocantly aggregates public job postings; apply on the original site.

ingénieur informatique MLOps / LLMOps, Azure AI & Copilot Studio (IT) / Freelance