Tech Lead / Senior Machine Learning Engineer

1. Pilotage technique & leadership

• Assurer le rôle de référence technique sur les sujets ML/LLM (RAG, IA générative, agents, orchestration de workflows).

• Animer le chapter technique de l’équipe :

  • Organisation de rituels (tech talks, BBL, sessions de partage de bonnes pratiques).

  • Diffusion de standards d’architecture, de qualité de code et de sécurité.

• Participer activement aux revues de PR (Pull Requests) et garantir un niveau élevé de qualité logicielle (lisibilité, tests, performance, sécurité).

2. Conception & industrialisation des solutions IA

• Concevoir, développer et industrialiser des pipelines ML/LLM robustes et scalables :

  • Solutions RAG (indexation, vector stores, retrieval, re-ranking).

  • Agents et workflows complexes (orchestration, gestion de contexte)

• Mettre en œuvre une architecture logicielle solide, adaptée aux enjeux d’IA en production (patterns de microservices, event-driven, modularisation, etc.).

• Structurer et maintenir un socle technologique d’innovation autour de l’IA (bibliothèques, templates de projets, guidelines, exemples réutilisables).

3. MLOps / LLMOps & Cloud

• Définir et mettre en œuvre les pratiques MLOps / LLMOps :

  • CI/CD pour modèles et services d’IA.

  • Monitoring, observabilité, gestion de dérive, suivi de performance des modèles.

• Industrialiser les solutions sur des environnements containerisés :

  • Docker, Kubernetes et OpenShift (déploiement, scaling, gestion des ressources).

  • Contribuer à la mise en place d’un environnement Cloud cohérent avec les standards groupe.

4. Performance, sécurité & intégration

• Optimiser la performance des services IA :

  • Latence, throughput, coût, consommation de ressources.

  • Benchmark des modèles et des différents backends (LLM, embeddings, vector stores).

• Implémenter et/ou intégrer des mécanismes d’authentification et d’autorisation :

  • OIDC / OAuth 2.0, gestion des tokens, intégration avec l’écosystème IAM.

  • Veiller au respect des bonnes pratiques de sécurité, de confidentialité et d’IA responsable (gestion des données sensibles, traçabilité, explicabilité).

5. Accompagnement des Data Scientists & des métiers

• Travailler en étroite collaboration avec les Data Scientists pour :

  • Transformer les prototypes en produits industrialisés.

  • Co-construire des API et services utilisables par les applications métiers.

• Accompagner les équipes métier dans la compréhension et l’adoption des solutions IA :

  • Vulgarisation des solutions.

  • Intégration dans les processus d’aide à la décision.

Profil recherché

• Formation supérieure en informatique ou discipline apparentée (école d’ingénieurs, université).

• Expériences significatives en industrialisation de modèles d’IA (ML & LLM) dans des environnements de production.

• Excellente maîtrise de :

  • Python et les bonnes pratiques de Software Engineering.

  • Approches BDD, TDD, revues de code, conception de Clean Code.

  • Architectures logicielles (microservices, hexagonal, event-driven, etc.) et design patterns.

• Maîtrise indispensable de :

  • LangChain, LangGraph.

  • Problématiques RAG (indexation, retrieval, ranking, gestion du contexte).

• Pratique avancée de :

  • Docker, Kubernetes et idéalement OpenShift.

  • Environnements CI/CD et pratiques DevOps (pipelines d’intégration & déploiement, monitoring, logging).

• Connaissances solides des mécanismes d’authentification / autorisation :

  • OIDC, OAuth 2.0.

  • Bonne culture MLOps / LLMOps, avec participation à la définition de bonnes pratiques au sein de l’entreprise.

• Soft skills & posture

  • Forte orientation client et business : capacité à relier choix techniques et impact métier.

• Leadership naturel, capacité à :

  • Fédérer et animer un chapter technique.

  • Faire monter en compétence l’équipe (mentoring, coaching).

  • Excellentes capacités de communication, clarté, pédagogie et assertivité.

  • Sensibilité aux enjeux d’IA responsable (éthique, biais, transparence, gouvernance).