Offre d'emploi Ingénieur IA/GenAI/MLOps

Les principaux livrables attendus sont :

- Référentiel des bonnes pratiques

- Méthodes de Feature Engineering et de validation des données.

- Compte-rendus des différents ateliers et réunions

- Modèles et pipelines CI/CD

- Livrables attendus dans le cadre de l’assurance qualité

- Matrice des risques et plan de mitigation

En tant qu’ingénieur(e) IA / MLOps, 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.

o Mettre en place les bonnes pratiques, méthodes de Feature Engineering et de validation des données. o Challenger les approches proposées par les Data Scientists.

• Piloter l’industrialisation et le déploiement des modèles IA

o Définir et appliquer le cadre ML Ops du groupe : reproductibilité, versioning, automatisation des tests, gouvernance des modèles

o 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.

o Construire et implémenter les pipelines, CI/CD, monitoring.

o S’assurer de la conformité avec les normes internes techniques et réglementaires (cadre normatif / IA act / RGPD).

• Garantir la qualité et la conformité o 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

o Auditer et valider les modèles / cas d’usage développés.

o Garantir la qualité et la conformité des livrables avant mise en production.

o Etablir la traçabilité : documentation, métadonnées, suivi des performances.

o 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.

o 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.