Stagiaire constitution d'une boite à outils mlops F/H

Enedis est une entreprise de service public, gestionnaire du réseau de distribution d’électricité.

Elle développe, exploite, modernise le réseau électrique et gère les données associées. Elle facilite la transition énergétique des territoires en les accompagnant dans le développement et la planification de leur production d’électricité d’origine renouvelable. Ses 39 000 collaborateurs assurent chaque jour les raccordements des clients, le dépannage 24h/24, le relevé des compteurs et toutes les interventions techniques. Indépendante, Enedis délivre la même qualité de service aux fournisseurs d’énergie. Comme le prévoit la loi, elle a établi un code de bonne conduite auquel ses collaborateurs sont formés afin d’en respecter les principes et engagements au quotidien.

Un des enjeux majeurs d'Enedis et de devenir un opérateur de Données. Afin de répondre à cet enjeu, le Pôle Données de la DSI (Direction des systèmes d’information) d'Enedis en collaboration avec la DDIN (Direction Développement, Innovation et Numérique) a lancé un projet de passage à l’échelle industrielle sur la Data Science et plus particulièrement l’intelligence artificielle. Un des objectifs de ce projet est de définir une offre de services pour les data scientists qui souhaitent réaliser des cas d’usage sur la plateforme Data d’Enedis. Dans ce cadre, la définition d’une stack MLOps unifiée et harmonisée est un prérequis indispensable. Dans la continuité de cet objectif, l’équipe ML4ALL du département LAQ souhaite s’approprier des outils de MLOps afin de faciliter le développement, le déploiement et la maintenance en production des cas d’usage machine learning développés par l’équipe.

L’objectif de votre stage est de faire un état de l’art des outils de MLOps open-source qui existent aujourd’hui, de challenger les solutions existantes au sein de l’équipe ML4ALL. Dans le détail, vous devrez :
· Recueillir les besoins des data scientists et ML engineers pour identifier les points de douleur liés à l’industrialisation (développement, déploiement, monitoring, MCI, MCO).
· Lister les bonnes pratiques MLOps à promouvoir pour fiabiliser et homogénéiser les projets IA.
· Cartographier les briques MLOps clés du cycle de vie d’un projet ML (expérimentation, versioning, CI/CD, déploiement, monitoring).
· Participer à la création de la matrice de maturité MLOPS de l’équipe afin de prioriser les briques MLOps à implémenter
· Réaliser un état de l’art des outils open-source (MLflow, DVC, BentoML, Kedro, etc.) : benchmark, synthèse des avantages/inconvénients, recommandations.
· Tester ces outils sur des cas d’usage réel de l’équipe et évaluer leur intégration dans l’environnement existant (GitLab CI/CD, Docker, Kubernetes, Airflow).
· Créer un ou plusieurs templates projet IA industrialisables selon les types de projets : Computer vision, NLP, etc. (structuration repo, packaging Python, CI/CD, déploiement, orchestration, monitoring).