Architecte / Direction de programme IA- AWS H/F

Description du poste

Partenariats & écosystème plateformes

•Cartographier l’écosystème et identifier les bons interlocuteurs chez les éditeurs / intégrateurs.

•Préparer, conduire et restituer les workshops partenaires (AWS, Microsoft, MuleSoft, Snowflake, etc.).

•Évaluer les offres (agents frameA. Partenariats & écosystème plateformes

•Cartographier l’écosystème et identifier les bons interlocuteurs chez les éditeurs / intégrateurs.

•Préparer, conduire et restituer les workshops partenaires (AWS, Microsoft, MuleSoft, Snowflake, etc.).

•Évaluer les offres (agents frameworks, orchestration, outils d’observabilité, sécurité, gouvernance, intégration SI).

B. Discovery & use cases Agentic AI (génériques + aéronautique)

•Animer des ateliers de discovery (métier, IT, sécurité, data, ops) pour :

oDéfinir des use cases transverses (support, IT ops, knowledge assistant, dev productivity, workflow automation, etc.) ;

oDéfinir des use cases aéronautiques (ex. maintenance, supply chain, engineering, flight ops, qualité, conformité, MRO, documentation technique).

•Formaliser chaque use case : objectifs, périmètre, acteurs, triggers, tâches agentiques, dépendances, données, risques, critères de succès.

•Prioriser via une grille valeur/risque/effort (quick wins vs “strategic bets”).

C. Recommandations plateformes, architectures, trajectoire

•Proposer des patterns d’architecture Agentic AI (RAG, tool-use, multi-agent vs single-agent, event-driven workflows, human-in-the-loop).

•Recommander des plateformes / briques (cloud, iPaaS, API management, vector DB, orchestration, MLOps/LLMOps).

•Définir la trajectoire : MVP → industrialisation, critères de passage en prod, exigences non fonctionnelles.

Expertises sur l'architecture Agentic AI & LLM (coeur)

oConception d’agents: tool calling, planning, memory, guardrails, multi-agent, human-in-the-loop.

oPatterns: RAG avancé, retrieval hybride, grounding, prompt/program orchestration.

oÉvaluation : qualité, robustesse, hallucinations, eval harness, offline/online eval, A/B.

oLLMOps : monitoring, traces, coûts, latence, versioning prompts, fallback, incident management.

•Architecture & intégration SI

oArchitecture cloud (AWS/Azure), conteneurs, event streaming, API-first.

oIntégration iPaaS / ESB / API management (MuleSoft typiquement) + connecteurs SaaS/legacy.

oData architecture : gouvernance, lineage, accès, gestion des secrets.

•Sécurité, conformité, risques

oThreat modeling pour agents (prompt injection, data exfiltration, tool misuse).

oRBAC/ABAC, isolation environnements, auditabilité, logs, PII, conformité (selon contexte).

oApproche “secure-by-design” + validation avec RSSI.

•Connaissance aéronautique (fortement souhaitée)

oCompréhension MRO, maintenance, qualité, engineering, supply chain, documentation technique, contraintes de traçabilité.

oCulture des normes/process (sans exiger un niveau expert si le profil est très solide sur Agentic AI).

•Facilitation & delivery (soft skills opérationnels)

oCapacité à animer workshops multi-parties (métiers, IT, partenaires).

oExcellente communication écrite/orale, synthèse exécutive, conduite du changement.

oOrientation résultats : livrables actionnables, arbitrages, pragmatisme.

D. Portfolio, roadmap et gouvernance

•Construire un portfolio de projets : lots, jalons, budget indicatif, staffing, dépendances SI.

•Définir la gouvernance : cadre de décision, sécurité, conformité, data governance, risk management, operating model.

E. Exploration technologique & “livre blanc”

•Piloter des tech spikes/POC orientés faisabilité et design (pas juste “démos”).

Produire un livre blanc interne : standards, patterns, comparatif plateformes, guidelines de sécurité, recommandations d’industrialisation, retours d’expérience.

L'environnement repose sur une infrastructure hybride, combinant un socle industriel on-premise interfacé aux systèmes temps réel et des capacités cloud modernes (AWS,solutions SaaS). Cette architecture s’appuie sur des plateformes de conteneurisation (Kubernetes, OpenShift, EKS) et des middlewares d’intégration et de streaming tels que Kafka et MuleSoft, permettant un fonctionnement distribué, scalable et sécurisé. Les environnements IoT et edge complètent ce socle pour connecter les équipements industriels et capter la donnée opérationnelle en continu.

Cet ensemble est renforcé par un écosystème DevOps et GitOps (GitLab, ArgoCD, Helm, Terraform) garantissant industrialisation, cohérence et automatisation du delivery. Les capacités data s’appuient sur une Data Platform de nouvelle génération, combinant Snowflake pour la gestion et la gouvernance des données et Dataiku pour le développement de cas d’usage analytiques et IA. Ce dispositif intégré soutient l’ensemble des besoins métiers, de la production aux fonctions support, en garantissant performance, résilience et accélération de l’innovation.