Tech Lead / Senior Machine Learning Engineer - Freelance (H/F)

Taux journalier (TJM): 620

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).

1. 
   

   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).

1. 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.

1. 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).

1. 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.

• 
  

  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