Développeument Backend Observabilité - Freelance (H/F)

💼 Offre d'emploi

Date de publication

21/10/2026

Dernière mise à jour

21/10/2026

Type de contrat

Profession libérale

Durée de travail

Expérience

2 An(s)

Salaire brut

- /

Permis demandé

Aucune information

---

📍 Entreprise

---

Description de l'offre

Le contexte

Le poste se partage entre deux projets distincts.

Logs as a Service (LaaS) : plateforme mutualisée de logs pour plus de 1000 applications. Elastic Agents déployés globalement, Kafka, Ingest pipelines (elasticsearch) pour le parsing, Elasticsearch, et un portail d'onboarding qui initialise les nouvelles collectes.

Twin Observ : Création d'outils IA d'observabilité qui exploite à la fois les logs et Dynatrace. Elle apporte des fonctionnalités à valeur ajoutée (enrichissement, aide à l'onboarding, analyse par IA), dont plusieurs doivent être implémentées côté LaaS.

Missions

Outillage Dynatrace pour Twin Observ : développement des outils nécessaires à l'exploitation des données d'observabilité dans un contexte challengeant, avec des connecteurs vers les API Dynatrace et l'exploitation de ses données aux côtés des logs.

Développement backend LaaS (Python) : évolutions de la plateforme et du portail d'onboarding.

Clustering des logs : amélioration du module de clustering écrit en Go et intégré au Streamer (Python).

Intégration Twin Observ ↔ LaaS : mise en œuvre côté plateforme des fonctionnalités Twin Observ, notamment l'enrichissement des logs et la refonte de l'onboarding avec un parsing Logstash généré par LLM.

Profil recherché

Indispensable

Développeur backend confirmé, Python en production.

Bonne maîtrise d'Elasticsearch : mapping, ingestion, requêtage, performance.

Pratique de Dynatrace, y compris ses API (extraction et exploitation des données).

À l'aise en Go, ou capable de monter rapidement dessus.

Apprécié

Kafka, Logstash (pipelines de parsing), Elastic Agent et Fleet.

Expérience d'intégration de LLM dans un produit.

Connaissance des algorithmes de clustering de logs (type Drain).

Environnement technique cible :

* Langage : Python (Expertise requise).

* Observabilité : Elasticsearch (Log Management), Dynatrace (Monitoring/APM).

* IA / LLM : LangChain, LangGraph, Machine Learning (Anomaly Detection).

* Méthodologie : Intégration continue en environnement de production bancaire contraint.