architecte informatique Data Plateforme AWS / Snowflake (H/F) (IT) / Freelance

Teksystems recherche pour l’un de ses clients grands comptes un Architecte Data AWS / Snowflake (H/F) pour construire, structurer et sécuriser la plateforme data du client basée sur Snowflake et AWS , et accompagner les équipes pour garantir une plateforme performante, scalable et prête à accueillir des fonctionnalités IA .

Ce rôle est structurant, durable , et s’inscrit au cœur de la transformation data.

Vos missions

1. Définir et faire évoluer l’architecture de la plateforme

• Architecture cible Snowflake/AWS
• Patterns d’ingestion (batch, CDC, near real-time)
• Modélisation (Data Vault, modèles analytiques)
• Exposition (BI, APIs, data apps)

2. Industrialiser le delivery data

• Standards CI/CD (dbt, ingestion, artefacts ML)
• Automatisation des déploiements
• Intégration Git / pipelines / qualité
• Réduction du time-to-market

3. Mettre en place une observabilité complète

• Suivi fraîcheur, volumétrie, succès/échec des pipelines
• Tests & qualité de données
• Performance Snowflake (temps, coûts, consommation)
• Dashboards RUN, alertes, SLAs

4. Sécuriser la plateforme

• RBAC, rôles Snowflake, data masking, row-level security
• RGPD, auditabilité, traçabilité
• Catalogage, lineage, ownership

5. Accompagner les équipes

• Support aux devs, pair programming, arbitrages techniques
• Challenge des choix existants
• Coordination avec infra / cloud / sécurité

6. Préparer et soutenir le RUN

• Normes de reprise, diagnostic, alerting
• Réduction de la dette technique
• Support N2/N3
• Conception orientée exploitabilité

Profil candidat

Compétences obligatoires

• Expertise Snowflake — performance, optimisation des coûts, sécurité (RBAC, masking, RLS)
• Architecture AWS — S3, IAM, Glue, Lambda, Step Functions, VPC, KMS
• dbt Core — modélisation, tests, documentation, CI/CD
• Orchestration — Airflow ou équivalent (Dagster, Prefect, Step Functions)
• Ingestion / CDC — batch, streaming, change data capture
• CI/CD & qualité — Git, pipelines automatisés, tests data, bonnes pratiques d’ingénierie
• Observabilité data & cloud — monitoring, alerting, qualité, fraîcheur, coûts
• Connaissance MLOps — intégration de modèles, préparation des données, déploiement (sans être data scientist)
• Expérience en IA / LLM / GenAI — capacité à intégrer une IA dans l’application, préparer les données, collaborer avec les équipes produit et data science, comprendre les contraintes de performance, sécurité et gouvernance liées à l’IA.