Taux journalier (TJM): 600

Expertises recherchées : Intelligence artificielle générative, Machine Learning, agents LLM, RAG, industrialisation de solutions IA et optimisation mathématique

Descriptif détaillé du besoin

Nous recherchons un Data Scientist / AI Engineer pour rejoindre une équipe intervenant sur l’ensemble du cycle de vie des solutions d’intelligence artificielle, depuis l’exploration d’un besoin métier jusqu’à sa mise en production.

La mission porte sur des problématiques concrètes et variées, telles que l’optimisation logistique, la gestion des réclamations, le scoring, la classification ou encore le développement d’agents intelligents.

Le consultant alternera entre des phases de cadrage et de prototypage rapide, destinées à valider la faisabilité et la valeur d’un cas d’usage, et des phases d’industrialisation visant à transformer les prototypes retenus en solutions robustes, maintenables et utilisables par les équipes opérationnelles.

Une expérience solide en optimisation mathématique et algorithmique est obligatoire pour cette mission. Le profil recherché doit être capable de modéliser et de résoudre des problématiques d’optimisation, notamment dans des contextes logistiques ou opérationnels, en complément de ses compétences en Machine Learning et en IA générative.

Missions principales

Exploration et cadrage d’initiatives IA

• Identifier de nouveaux cas d’usage IA en collaboration directe avec les équipes métier.

• Évaluer leur faisabilité technique, leur valeur opérationnelle et les données disponibles.

• Réaliser rapidement des preuves de concept afin de valider une hypothèse technique ou métier avant d’engager une industrialisation.

• Transformer des besoins parfois peu structurés en problématiques data et IA clairement définies.

• Recommander l’approche la plus adaptée au contexte : règles métier, Machine Learning classique, optimisation, LLM, RAG ou agents IA.

• Définir des critères de succès et des indicateurs permettant d’évaluer la pertinence des solutions envisagées.

Modélisation et optimisation

• Modéliser des problématiques d’optimisation liées notamment à la logistique, à l’allocation de ressources, à la planification ou à l’amélioration de processus opérationnels.

• Concevoir et implémenter des algorithmes d’optimisation adaptés aux contraintes métier.

• Utiliser des outils tels qu’OR-Tools ou des solutions équivalentes.

• Comparer plusieurs stratégies de résolution et mesurer leurs performances.

• Intégrer les modèles d’optimisation dans des applications ou services utilisables en production.

La maîtrise de l’optimisation constitue un prérequis indispensable et non une compétence optionnelle.

Développement et prototypage

• Concevoir et développer des prototypes d’agents IA, par exemple des agents de recherche, d’analyse ou d’assistance métier.

• S’appuyer sur des frameworks modernes d’orchestration tels que LangChain ou Pydantic AI.

• Développer des modèles de Machine Learning classique pour des besoins de classification, de scoring ou de prédiction.

• Explorer différentes architectures selon les contraintes du projet : RAG, agents, pipelines de traitement, modèles supervisés ou solutions hybrides.

• Itérer rapidement sur les prompts, les données, les modèles et les architectures à partir des retours utilisateurs et des métriques d’évaluation.

Industrialisation et mise en production

• Transformer les prototypes sélectionnés en solutions fiables, robustes et maintenables.

• Concevoir et développer des API avec FastAPI.

• Gérer les cas limites, les erreurs et les mécanismes de reprise.

• Mettre en place des tests automatisés avec Pytest.

• Déployer des pipelines d’évaluation permettant de mesurer la qualité, la pertinence et la fiabilité des sorties produites.

• Contribuer à l’observabilité des solutions : logs, traces, latence, volumétrie et taux d’erreur.

• Participer à la montée en charge et à l’amélioration continue des services déployés.

• Contribuer aux pratiques de conteneurisation, d’intégration continue et de déploiement continu.

Collaboration et partage

• Travailler au plus près des équipes métier afin de comprendre leurs processus, leurs contraintes et leurs priorités.

• Présenter les résultats des expérimentations et formuler des recommandations compréhensibles par des interlocuteurs non techniques.

• Gérer plusieurs sujets en parallèle dans un environnement évolutif.

• Documenter les choix d’architecture, les modèles, les hypothèses et les résultats.

• Partager les apprentissages et les bonnes pratiques avec les autres membres de l’équipe.

Environnement technique

• Langage : Python

• Développement et tests : FastAPI, Pydantic, Pytest

• IA générative : LangChain, Pydantic AI, Azure OpenAI

• Recherche et RAG : Azure AI Search

• Optimisation : OR-Tools, modélisation de contraintes et optimisation algorithmique

• Machine Learning : classification, scoring, modélisation statistique et prédictive

• Cloud : Microsoft Azure, Azure Service Bus

• Patterns IA : RAG, orchestration d’agents, évaluation LLM, prompt engineering

• DevOps : Docker, Git, CI/CD