CONTEXTE & OBJECTIF DU POSTE - Dans un environnement technologique exigeant et fortement contraint, le client renforce ses équipes autour de l'Intelligence Artificielle appliquée, sur des systèmes critiques à forte responsabilité opérationnelle. - L'objectif du poste est d'intégrer un ingénieur IA junior, très technique, capable de concevoir, entraîner, évaluer et améliorer des modèles IA, puis de contribuer à leur intégration dans des systèmes réels, avec une attention particulière portée à la robustesse, la fiabilité et la traçabilité. - Le poste est orienté ingénierie IA concrète, loin des approches purement exploratoires ou théoriques. VOS MISSIONS PRINCIPALES : - Au sein d'équipes techniques pluridisciplinaires, l'ingénieur IA interviendra sur :La conception et l'implémentation de pipelines IA : - collecte, nettoyage et préparation des données, - feature engineering, - entraînement et validation des modèles. Le développement et l'amélioration de modèles : - machine learning classique, - deep learning selon les cas d'usage. L'évaluation des performances des modèles : - métriques adaptées, - généralisation, - robustesse, - gestion du biais et du bruit. L'amélioration continue des modèles existants : - tuning, - gestion du drift, - optimisation des performances. La contribution à l'industrialisation des modèles : - versioning des données et des modèles, - reproductibilité des expérimentations, - intégration dans des systèmes existants. La prise en compte de contraintes fortes : - données partielles ou sensibles, - environnements techniques contraints, - exigences élevées de fiabilité et de sécurité. PROFIL RECHERCHE - Formation & expérience - Formation ingénieur ou master en :Intelligence Artificielle, - Machine Learning, - Data Science. 2 à 4 ans d'expérience (alternance et stages exclus).Doctorat non requis.Compétences clés - Solide socle en ingénierie IA / ML - Capacité à implémenter des modèles de bout en bout - À l'aise avec des données imparfaites (bruit, manque, hétérogénéité) - Compréhension des contraintes systèmes (ressources, latence, stabilité) Qualités personnelles - Rigueur scientifique - Esprit d'analyse - Curiosité technique - Capacité à documenter et expliquer ses choix - Humilité face aux limites des modèles TECHNIQUES Langages & frameworks Python (indispensable) - Bibliothèques scientifiques :NumPy, Pandas, - Scikit-learn. Deep Learning : - PyTorch ou TensorFlow / Keras. Concepts IA / ML - Apprentissage supervisé et non supervisé - Évaluation des modèles (precision, recall, F1, AUC, etc.) - Overfitting / underfitting - Cross-validation - Feature engineering - Gestion des jeux de données déséquilibrés - Notions de robustesse et de biais Outillage & bonnes pratiques - Git - Versioning des modèles / données (DVC ou équivalent apprécié) - Structuration de pipelines reproductibles - Bases d'intégration dans des systèmes applicatifs