Descriptif du poste:\n\nAu sein d'équipes pluridisciplinaires (Data Engineers, Architectes Cloud, Product Owners), vous êtes en charge du cycle de vie complet des modèles d'IA. Vos missions principales sont :\n* Développer, entraîner et optimiser des modèles de Machine Learning et Deep Learning adaptés aux cas d'usage (NLP, vision, classification, prédiction, etc.)\n* Concevoir, développer et maintenir les pipelines de traitement permettant l'automatisation du cycle de production des modèles (CI/CD pour le ML)\n* Assurer le conditionnement, le versioning et le déploiement des modèles via des API, des conteneurs ou des services cloud gérés\n* Mettre en place les solutions de monitoring, d'observabilité et d'évaluation continue des modèles en production (détection de dérive, réentraînement)\n* Travailler conjointement avec les équipes d'ingénierie des données et d'infrastructure cloud sur les choix d'architecture technique\n* Exercer un rôle de conseil technologique auprès des clients sur la faisabilité, le passage à l'échelle et l'industrialisation des solutions d'IA\n* Contribuer à la structuration des pratiques d'ingénierie IA en interne (standards de code, veille technologique, amélioration continue)\nEnvironnement technique\n* Langages : Python (Java, Scala ou Spark appréciés)\n* Frameworks ML/DL : PyTorch, TensorFlow, Scikit-learn\n* Conteneurisation & API : Docker, FastAPI\n* Plateformes Cloud / ML (selon client) : AWS SageMaker, Google Vertex AI, etc.\n* Versioning et CI/CD : GitLab, Git, outils MLOps\n* Méthodologies : Agile (Scrum / Kanban)\n\nProfil recherché:\n\nVous justifiez d'au moins 3 ans d'expérience professionnelle dans le domaine de la Data Science, de l'Intelligence Artificielle et/ou du MLOps, avec une expérience éprouvée de la mise en production de modèles.\nCompétences attendues\n* Maîtrise des techniques de Machine Learning, Deep Learning et de leurs principaux frameworks (PyTorch, TensorFlow...)\n* Solides compétences en développement Python orienté production\n* Maîtrise du cycle de vie complet d'un modèle (entraînement, évaluation, déploiement, monitoring) et des concepts MLOps\n* Expérience concrète des outils de versioning, d'intégration continue et de conteneurisation (Docker)\n* Pratique du déploiement sur des environnements Cloud (AWS, GCP ou Azure)\n* Compréhension des enjeux métiers liés à l'exploitation des données\n* Excellente maîtrise de l'anglais professionnel (lu, écrit, parlé) indispensable pour intervenir dans des contextes internationaux et sur des documentations anglophones