Descriptif du poste: Au 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 : * Développer, entraîner et optimiser des modèles de Machine Learning et Deep Learning adaptés aux cas d'usage (NLP, vision, classification, prédiction, etc.) * Concevoir, développer et maintenir les pipelines de traitement permettant l'automatisation du cycle de production des modèles (CI/CD pour le ML) * Assurer le conditionnement, le versioning et le déploiement des modèles via des API, des conteneurs ou des services cloud gérés * Mettre en place les solutions de monitoring, d'observabilité et d'évaluation continue des modèles en production (détection de dérive, réentraînement) * Travailler conjointement avec les équipes d'ingénierie des données et d'infrastructure cloud sur les choix d'architecture technique * Exercer un rôle de conseil technologique auprès des clients sur la faisabilité, le passage à l'échelle et l'industrialisation des solutions d'IA * Contribuer à la structuration des pratiques d'ingénierie IA en interne (standards de code, veille technologique, amélioration continue) Environnement technique * Langages : Python (Java, Scala ou Spark appréciés) * Frameworks ML/DL : PyTorch, TensorFlow, Scikit-learn * Conteneurisation & API : Docker, FastAPI * Plateformes Cloud / ML (selon client) : AWS SageMaker, Google Vertex AI, etc. * Versioning et CI/CD : GitLab, Git, outils MLOps * Méthodologies : Agile (Scrum / Kanban) Profil recherché: Vous justifiez d'au moins 4 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. Compétences attendues * Maîtrise des techniques de Machine Learning, Deep Learning et de leurs principaux frameworks (PyTorch, TensorFlow...) * Solides compétences en développement Python orienté production * Maîtrise du cycle de vie complet d'un modèle (entraînement, évaluation, déploiement, monitoring) et des concepts MLOps * Expérience concrète des outils de versioning, d'intégration continue et de conteneurisation (Docker) * Pratique du déploiement sur des environnements Cloud (AWS, GCP ou Azure) * Compréhension des enjeux métiers liés à l'exploitation des données * Excellente maîtrise de l'anglais professionnel (lu, écrit, parlé) indispensable pour intervenir dans des contextes internationaux et sur des documentations anglophones