Offre d'emploi Lead AI Engineer

Dans le cadre d’un projet stratégique Data & IA, nous accompagnons l’un de nos clients, acteur tech à fort enjeu produit, dans le recrutement d’un Lead AI Engineer.

Le rôle

Le Lead AI Engineer est responsable de la conception, du développement et du déploiement de solutions IA à forte valeur métier. À la fois référent technique IA et acteur clé du delivery, il combine une posture très hands-on avec une vision produit / ROI, en lien étroit avec les équipes métier, produit et la direction.
 

Vos responsabilités

1. Conception & développement de solutions IA (cœur du poste)

• Concevoir et développer des solutions IA avancées :

• LLM & GenAI (RAG, MCP, agents, workflows IA, fine-tuning si nécessaire)

• Modèles de scoring, recommandation, prédiction, classification

• Développer des solutions robustes, scalables et industrialisées, prêtes pour la production

• Être très fortement hands-on en développement, principalement en Python

• Garantir la qualité du code, la performance, la sécurité et la maintenabilité

• Utiliser des outils d’assistance au développement (ex. Claude Code)

2. Leadership technique & delivery IA

• Porter les projets IA de bout en bout : cadrage fonctionnel et technique, choix d’architecture, priorisation delivery, mise en production et suivi de la valeur

• Jouer un rôle de leader technique, sans management hiérarchique direct

• Être capable d’arbitrer et de prendre des décisions techniques structurantes

• Structurer le delivery dans une logique produit et ROI, en lien avec le CPTO

3. Interface produit, métier et direction

• Travailler en proximité avec : les équipes métiers, le produit, les équipes techniques, la direction

• Traduire des besoins métier complexes en solutions IA concrètes

• Animer des ateliers de cadrage, restituer les avancées, vulgariser les sujets IA

• Porter une vision transverse des projets (roadmap, dépendances, risques)

4. Structuration et montée en maturité IA

• Contribuer à la vision IA globale (choix technologiques, standards, bonnes pratiques)

• Mettre en place des patterns réutilisables (RAG, pipelines IA, templates projets)

• Participer à la diffusion de la culture IA

• Assurer une veille active sur les évolutions IA (LLM, frameworks, usages)

Environnement technique 

• Langage : Python (expert)

• IA / Data : LLM / GenAI, RAG, embeddings, agents Pandas, PySpark (selon cas)

• Plateforme Data : MinIO, MongoDB, PostgreSQL, ElasticSearch, Airflow, RabbitMQ

• Infra : Docker, Kubernetes

• Dataviz / exposition : PowerBI, Metabase

• Outils : Git, CI/CD, outils d’IA d’assistance au développement