1. Conception et optimisation des pipelines IA * Concevoir, maintenir et optimiser les pipelines de traitement de données et d'entraînement des modèles (MLOps). * Automatiser les workflows d'entraînement, de validation et de déploiement. * Garantir la reproductibilité et la traçabilité des expériences. 2. Évaluation et performance des modèles * Étudier et analyser les performances des algorithmes (offline et online). * Créer et maintenir des benchmarks de performance. * Identifier les axes d'amélioration et proposer des optimisations. 3. CI/CD et industrialisation * Mettre en place des solutions CI/CD adaptées aux modèles de deep learning. * Automatiser le packaging, le test et le déploiement des modèles sur différents environnements (Cloud, Edge, On-Premise). 4. Intégration et déploiement * Intégrer les modèles dans l'écosystème logiciel embarqué (Edge & Cloud). * Assurer la compatibilité avec les contraintes matérielles et logicielles du système cible. 5. Supervision et maintenance * Monitorer les performances des modèles en production. * Détecter les dérives de données et de performances. * Définir et mettre en œuvre des stratégies de mise à jour continue (retraining, A/B testing.). 6. Stratégie et gouvernance data * Contribuer à la stratégie data : structuration, annotation, versioning et sécurité des données. * Participer à la mise en place d'une culture de qualité et de conformité des données. 7. Collaboration interdisciplinaire * Travailler en étroite collaboration avec les data scientists, ingénieurs embarqués et experts métier. * Participer aux revues techniques et aux choix d'architectures. 8. Veille technologique et innovation * Évaluer et expérimenter de nouveaux outils et approches (IA générative, simulateurs, frameworks MLOps, etc.). * Contribuer à la diffusion des bonnes pratiques IA et MLOps au sein de l'équipe. Formation * Diplôme d'ingénieur ou équivalent Bac+5 / Doctorat en informatique, data science, mathématiques appliquées ou disciplines connexes. Expérience * Expérience significative en MLOps, déploiement de modèles d'IA ou ingénierie de données dans un environnement industriel complexe. * Pratique confirmée de l'industrialisation et du suivi de modèles IA à grande échelle. Compétences techniques * Langages & frameworks IA : excellente maîtrise de Python, et de bibliothèques telles que PyTorch, TensorFlow, Scikit-learn. * Outils MLOps : maîtrise des outils de gestion du cycle de vie des modèles (ex. : MLflow, DVC, Docker, Git, Airflow, Kubeflow ou équivalents). * Infrastructure & déploiement : bonnes connaissances de Linux, CI/CD, API REST, et de la conteneurisation (Docker, Kubernetes). * Données & modélisation : bonne compréhension de la théorie des séries temporelles et de leurs caractéristiques. * Environnements spécifiques (atouts) : sensibilité au temps réel / Edge computing ; expérience en vision par ordinateur ou traitement de données industrielles. Qualités personnelles * Autonomie, rigueur et esprit d'équipe. * Goût pour l'innovation, le prototypage rapide et l'amélioration continue. * Capacité à évoluer dans un environnement technique exigeant et multidisciplinaire. * Bon niveau d'anglais technique (écrit et oral).