Find your next tech and IT Job or contract Python

Nous recherchons un Analytics Engineer confirmé pour rejoindre une équipe Data et intervenir sur des projets à fort enjeu autour de la valorisation et de l'exploitation des données. Vous évoluerez dans un environnement Data moderne, en collaboration avec les équipes techniques et métiers. Missions principalesConcevoir et développer des pipelines de données. Développer et faire évoluer les modèles de données. Concevoir une couche sémantique performante. Développer des tableaux de bord et reportings décisionnels sous Power BI. Participer à l'amélioration des performances et de la qualité des solutions analytiques. Collaborer avec les équipes métiers afin de comprendre leurs besoins et proposer des solutions adaptées. Contribuer aux bonnes pratiques de développement et d'industrialisation. Environnement techniqueMicrosoft Fabric Power BI SQL Python Modélisation sémantique Data Pipelines

Dans le cadre d'un programme d'innovation en cybersécurité, nous recherchons un Expert en Intelligence Artificielle Générative pour concevoir, entraîner et évaluer des modèles de langage spécialisés destinés à assister les équipes opérationnelles dans l'analyse des menaces et l'automatisation des processus de sécurité. Le consultant interviendra sur les missions suivantes : Réaliser le fine-tuning de modèles de langage open source (LLM/SLM) sur des jeux de données spécialisés. Concevoir et mettre en œuvre des stratégies d'alignement des modèles afin d'améliorer la qualité des réponses et de réduire les hallucinations à l'aide de techniques de Reinforcement Learning (DPO, PPO, GRPO...). Structurer, préparer et formater les données d'entraînement selon les meilleures pratiques (ChatML, Alpaca, etc.). Développer des pipelines d'évaluation et de benchmarking permettant de mesurer les performances des modèles à l'aide de benchmarks de référence (MMLU, GSM8K, LLM-as-a-Judge...). Collaborer avec les équipes métier et techniques afin de concevoir des solutions IA robustes, performantes et adaptées aux besoins opérationnels. Compétences requises : Expertise en fine-tuning de LLM avec LoRA, QLoRA et frameworks tels que TRL, Unsloth ou Axolotl. Maîtrise des techniques d'alignement et de Reinforcement Learning appliquées aux modèles de langage. Solides compétences en Python et PyTorch. Expérience des méthodologies d'évaluation des modèles d'IA générative. Connaissance des environnements MLOps et des outils de déploiement (Hugging Face Hub, vLLM, Ollama, Triton) appréciée. Une sensibilité aux problématiques de cybersécurité constitue un atout.

Contexte Nous recherchons un Cloud Data Engineer disposant d'une solide expérience sur les environnements Snowflake et AWS, afin d'intervenir sur des sujets de modernisation et d'automatisation des plateformes de données dans un contexte industriel. Répartition des activités • 60 % Data Engineering / Snowflake • 40 % Cloud & DevOps AWS Compétences attendues Data Engineering (60%) • Snowflake • SQL avancé • Modélisation de données • ETL / ELT • Data Quality & Data Governance • Pipelines de données • AWS Glue, S3, DMS, Kinesis • Automatisation des traitements de données Cloud & DevOps AWS (40%) • AWS • Terraform (Infrastructure as Code) • CI/CD (GitLab, GitHub, Jenkins) • Python / Bash • Docker, Kubernetes • AWS Lambda • DevOps / DevSecOps • Sécurisation et automatisation des environnements Cloud

Le poste vise à recruter un Data Scientist expérimenté capable de concevoir et industrialiser des solutions d'IA générative à forte valeur ajoutée métier. L'enjeu principal est de développer des workflows LLM complexes et de les déployer en production dans un cadre industriel structuré. Le candidat devra faire le pont entre les équipes métier et IT, en traduisant les besoins fonctionnels en solutions techniques performantes. Une expertise solide en IA générative, en développement d'API, en évaluation de modèles et en bonnes pratiques de software engineering est attendue, ainsi qu'une capacité à travailler en mode Agile au sein d'une squad dédiée. Développement Python orienté production (architecture, packaging, bonnes pratiques) Développement d'API (REST/GraphQL, frameworks comme FastAPI/Flask) Développement d'API (REST/GraphQL, FastAPI/Flask) Développement Python orienté production (architecture, packaging, tests) Travail en équipe / collaboration en squad Agile Modélisation ML classique (supervisé, non supervisé) Préparation et gestion de données (feature engineering, qualité des données) Tests & qualité de code (unitaires, intégration, linting, typage) CI/CD pour services d'IA (GitHub Actions, GitLab CI, bonnes pratiques MLOps) Conteneurisation & déploiement (Docker, orchestration type Kubernetes) Utilisation de services cloud IA (Azure OpenAI, AWS Bedrock, GCP AI Platform) Préparation & gestion de données (feature engineering, qualité, ETL) Tests & qualité de code (unitaires, intégration, linters, type hints) CI/CD pour services d'IA (GitLab CI, GitHub Actions avec pratiques MLOps) Conteneurisation & déploiement (Docker, Kubernetes ou équivalents) Utilisation de services cloud IA (Azure OpenAI, AWS/GCP managed IA services, Bedrock) Tests & qualité de code (unitaires, intégration, linting, typing) CI/CD pour services d'IA (GitLab CI, GitHub Actions, pipelines MLOps) Utilisation de services cloud IA (Azure OpenAI, AWS Bedrock, GCP AI) Conception de workflows LLM complexes (orchestration, agents, tools) RAG / retrieval augmenté & bases de vecteurs (Faiss, Pinecone, etc.) Évaluation spécifique des LLM (benchmarks, human eval, red‑teaming) Monitoring / observabilité des modèles et services LLM en production Outils d'orchestration LLM (LangChain, LlamaIndex ou équivalents) RAG / retrieval augmenté & vector DB (Faiss, Pinecone, embeddings en production) Évaluation spécifique LLM (benchmarks, human eval, red-teaming, metrics LLM) Monitoring / observabilité des modèles & services IA (drift, qualité des réponses, alerting) Conception de workflows LLM complexes (orchestration, agents, outils) RAG / retrieval augmenté & vector DB (mise en production) Monitoring / observabilité des modèles et services IA en production Analyse et modélisation de problèmes complexes dans un contexte LLM Pensée systémique appliquée à des workflows IA end‑to‑end Rigueur scientifique & esprit critique pour l'évaluation des LLM Vulgarisation & pédagogie vers métiers et IT Recueil et reformulation des besoins métier en spécifications techniques pour IA générative