Descriptif du poste:\n\nDans le cadre de la stratégie data et de l'innovation technologique, notre client crée une équipe dédiée à l'Intelligence Artificielle.\n\nCette équipe conçoit, industrialise et maintient des solutions d'IA générative et d'IA classique (ML), au service des métiers du groupe : amélioration de la performance opérationnelle, automatisation, optimisation décisionnelle, assistance aux conseillers, etc.\nLe chef de projet contribuera à construire le socle technique (IA Factory) et à réaliser des cas d'usage de bout en bout (cadrage technique, POC/MVP, industrialisation, déploiement, support).\nEn tant que chef de projet SI IA, votre quotidien sera :\n* Assurer le rôle de tech lead et assister le manager dans la définition, la mise en œuvre et la maintenance des solutions techniques en réponse aux besoins métiers, selon les principes définis par la gouvernance IA de l'entreprise\n* Assurer le développement de la feuille de route stratégique IA de l'entreprise\n* Assister le manager dans la priorisation, la planification et le suivi des projets IA de bout en bout, selon les processus projets de l'entreprise : cadrage, POC, MVP, industrialisation, déploiement.\n* Travailler à la mise en place d'une IA Factory \n* Contribuer au support, à la remédiation (bugs, incidents), et à l'amélioration continue (perf, coût, UX).\n* Respecter les principes de conformité, de qualité et de sécurité des SI.\n\nProfil recherché:\n\nVotre profil\nVos atouts pour réussir :\n* Issu d'un Bac +5 en Informatique/Mathématiques appliquées/Data/IA (ou équivalent).\n* Vous avez au moins 2 ans d'expérience en développement data/ML/IA (incluant projets IA générative ou ML classique) et dans un rôle de tech lead.\n* Une expérience en industrialisation (CI/CD, conteneurisation, déploiement cloud) est très appréciée.\n* Maîtrise de l'anglais technique\nCompétences techniques :\n* Maîtrise des écosystèmes d'IA/Cloud (Azure, .)\n* Python, SQL, Pandas, PySpark, scikit-learn.\n* PyTorch , LangChain, Langflow.\n* Connaissance LLM (prompts, outils, RAG), embeddings, vector DB . \n* Évaluation de la qualité : tests de prompts, métriques de RAG, garde-fous (ex. filtres contenu).\n* MLOps, Kubernetes, Git. \n* APIs & Intégration FastAPI/Flask, REST (GraphQL apprécié), observabilité (logs, métriques, traces). Qualité & Sécurité\n* Clean code, tests (unit/intégration/e2e), revues de code, linting/formatage.\n* Bonnes pratiques sécurité SI, gestion secrets, RGPD (minimisation, PIA si nécessaire).