Data Scientist

Le poste vise à recruter un Data Scientist expérimenté capable de concevoir et industrialiser des solutions d'IA générative à forte valeur ajoutée métier. L'enjeu principal est de développer des workflows LLM complexes et de les déployer en production dans un cadre industriel structuré. Le candidat devra faire le pont entre les équipes métier et IT, en traduisant les besoins fonctionnels en solutions techniques performantes. Une expertise solide en IA générative, en développement d'API, en évaluation de modèles et en bonnes pratiques de software engineering est attendue, ainsi qu'une capacité à travailler en mode Agile au sein d'une squad dédiée.

• Développement Python orienté production (architecture, packaging, bonnes pratiques)

• Développement d’API (REST/GraphQL, frameworks comme FastAPI/Flask)

• Développement d’API (REST/GraphQL, FastAPI/Flask)

• Développement Python orienté production (architecture, packaging, tests)

• Travail en équipe / collaboration en squad Agile

• Modélisation ML classique (supervisé, non supervisé)

• Préparation et gestion de données (feature engineering, qualité des données)

• Tests & qualité de code (unitaires, intégration, linting, typage)

• CI/CD pour services d’IA (GitHub Actions, GitLab CI, bonnes pratiques MLOps)

• Conteneurisation & déploiement (Docker, orchestration type Kubernetes)

• Utilisation de services cloud IA (Azure OpenAI, AWS Bedrock, GCP AI Platform)

• Préparation & gestion de données (feature engineering, qualité, ETL)

• Tests & qualité de code (unitaires, intégration, linters, type hints)

• CI/CD pour services d’IA (GitLab CI, GitHub Actions avec pratiques MLOps)

• Conteneurisation & déploiement (Docker, Kubernetes ou équivalents)

• Utilisation de services cloud IA (Azure OpenAI, AWS/GCP managed IA services, Bedrock)

• Tests & qualité de code (unitaires, intégration, linting, typing)

• CI/CD pour services d’IA (GitLab CI, GitHub Actions, pipelines MLOps)

• Utilisation de services cloud IA (Azure OpenAI, AWS Bedrock, GCP AI)

• Conception de workflows LLM complexes (orchestration, agents, tools)

• RAG / retrieval augmenté & bases de vecteurs (Faiss, Pinecone, etc.)

• Évaluation spécifique des LLM (benchmarks, human eval, red‑teaming)

• Monitoring / observabilité des modèles et services LLM en production

• Outils d’orchestration LLM (LangChain, LlamaIndex ou équivalents)

• RAG / retrieval augmenté & vector DB (Faiss, Pinecone, embeddings en production)

• Évaluation spécifique LLM (benchmarks, human eval, red-teaming, metrics LLM)

• Monitoring / observabilité des modèles & services IA (drift, qualité des réponses, alerting)

• Conception de workflows LLM complexes (orchestration, agents, outils)

• RAG / retrieval augmenté & vector DB (mise en production)

• Monitoring / observabilité des modèles et services IA en production

• Analyse et modélisation de problèmes complexes dans un contexte LLM

• Pensée systémique appliquée à des workflows IA end‑to‑end

• Rigueur scientifique & esprit critique pour l’évaluation des LLM

• Vulgarisation & pédagogie vers métiers et IT

• Recueil et reformulation des besoins métier en spécifications techniques pour IA générative