Mission freelance Ingénieur(e) IA / ML Ops senior

CONTEXTE

Experience :  6 ans et plus

Métiers Fonctions : Etudes & Développement, Ingénieur

Spécialités technologiques : Versionning, Gestion de configuration
ML, Monitoring, RGPD, Automatisation des test

Compétences

Technologies et Outils

GitHub CI/CD GIT

MISSIONS

En tant qu’ingénieur(e) IA / ML Ops senior, vos principales missions sont de :
- Gérer le portefeuille de cas d’usage d’IA (ML/deeplearning, IA Gen, agentique) pour un ou plusieurs départements.
- Être le référent IA auprès de vos différents interlocuteurs : chef de projets, développeurs, architectes, métiers, partenaires internes et externes.
- Accompagner les directions dans le cadrage de leurs cas d’usage et traduire les besoins métiers en spécifications techniques.
- Contribuer à la modélisation de votre portefeuille de cas d’usage :
- S’assurer que les modèles développés respectent les standards de performance, robustesse, explicabilité et conformité. Garantir que les modèles / cas d’usage développés soient parfaitement industrialisables.
- Mettre en place les bonnes pratiques, méthodes de Feature Engineering et de validation des données.
- Challenger les approches proposées par les Data Scientists.
- Piloter l’industrialisation et le déploiement des modèles IA
- Définir et appliquer le cadre ML Ops du groupe : reproductibilité, versioning, automatisation des tests, gouvernance des modèles
- Concevoir des architectures IA modulaires, en évaluant en amont ce qui a déjà été développé et en favorisant la mutualisation plutôt que le redéveloppement systématique. Travailler en collaboration étroite avec les autres directions IA pour harmoniser les choix technologiques et accélérer l’industrialisation.
- Construire et implémenter les pipelines, CI/CD, monitoring.
- S’assurer de la conformité avec les normes internes techniques et réglementaires (cadre normatif / IA act / RGPD).
- Garantir la qualité et la conformité
- Structurer et diffuser les bonnes pratiques : organisation du code / worflow Git, qualité et tests, ML Ops et reproductibilité (tracking, versioning, CI/CD, orchestration, infra as code, …), sécurité, gouvernance et réutilisabilité, « definition of done », règles d’usage de GitHub Copilot
- Auditer et valider les modèles / cas d’usage développés.
- Garantir la qualité et la conformité des livrables avant mise en production.
- Etablir la traçabilité : documentation, métadonnées, suivi des performances.
- Être le point de contact technique privilégié pour les instances de validation.
- Encadrer et accompagner les juniors et les collaborateurs dans le domaine de l’IA.
- Organiser la montée en compétence progressive et objectivée des juniors.
- Jouer un rôle de pédagogue vis-à-vis des métiers pour vulgariser les concepts, les choix technologiques et assurer leur adhésion.
- Assurer une veille technologique active sur les outils, frameworks, et paradigmes IA. Proposer de nouvelles solutions / architectures adaptées aux besoins métiers.
- Usage Interne / Internal Use
- Anticiper les évolutions des réglementations et intégrer les enjeux de responsabilité de l’IA.