Data/AI Engineer Industrialisation & MLOps IA H/F

Crédit Agricole Group Infrastructure Platform

Vous êtes Data/AI Engineer ? Devenez partenaire des grandes évolutions chez CA-GIP !

Qui sommes-nous ? Gérant 80% de la production informatique du groupe Crédit Agricole, nous formons une véritable communauté d’experts engagés. Nous mobilisons nos expertises afin de développer des plateformes et services adaptés aux nouvelles pratiques du digital tout en maintenant un haut niveau de confidentialité, et de sécurité.

CONTEXTE : 

Le Centre d’Excellence IA définit les standards, cadres d’architecture, méthodes et bonnes pratiques permettant une adoption industrielle de l’IA au sein de CA-GIP. En lien avec les équipes Data & IA, plateformes IA et CA Artificial Intelligence, le CoE IA accompagne les projets dans l’identification, conception et industrialisation des cas d’usage IA à forte valeur ajoutée. Le Data/AI Engineer transforme les expérimentations IA en solutions industrialisables, sécurisées, supervisables et exploitables à l’échelle.

Vous rejoindrez dans ce contexte une équipe fondatrice au cœur de la stratégie IA de CA-GIP et participerez à la transformation IA-Native, en lien avec l’écosystème IA du Groupe Crédit Agricole.

MISSIONS :

En qualité de Data/AI Engineer, vos principales missions se déclineront autour des axes suivants :

Industrialisation des modèles IA

• Accompagner les projets depuis l’expérimentation jusqu’à la production
• Concevoir les chaînes d’industrialisation pour le déploiement des modèles
• Construire des processus reproductibles, sécurisés et automatisés
• Assurer le lien entre Data Scientists, équipes plateformes et métiers

Data Engineering pour l’IA

• Développer les traitements de préparation, intégration et transformation des données
• Contribuer à la qualité, traçabilité et sécurité des flux
• Intégrer avec les socles Data et IA du Groupe
• Implémenter les bonnes pratiques ML, IA générative, RAG et systèmes agentiques

MLOps, LLMOps et automatisation 

• Mettre en œuvre les pratiques MLOps : entraînement, validation, déploiement, monitoring
• Développer les pratiques LLMOps pour modèles de langage, RAG, prompts, embeddings
• Créer les pipelines CI/CD et automatiser les livrables techniques
• Capitaliser les patterns réutilisables

Monitoring et observabilité

• Construire les tableaux de bord de suivi production
• Définir les indicateurs : performance, dérive, qualité, erreurs, alertes
• Diagnostiquer les incidents et améliorer les solutions

Sécurité et conformité

• Intégrer sécurité et maîtrise des risques dès la conception
• Appliquer l’AI Security by Design, gouvernance et auditabilité
• Sécuriser pipelines, accès, secrets et environnements

Capitalisation et bonnes pratiques

• Documenter architectures et modes opératoires
• Partager les bonnes pratiques avec les équipes
• Animer la communauté IA sur l’industrialisation

 #LI-DNI