Mission freelance Data scientist GenAI – LLM, RAG & AI engineering

Contexte :
Dans le cadre de l’accélération de ses initiatives en Intelligence Artificielle Générative, notre client recherche un Data Scientist GenAI / AI Engineer pour concevoir, développer et industrialiser des solutions basées sur les LLM. Le consultant interviendra sur des projets d’IA appliquée visant notamment l’automatisation de processus métiers, l’accès à la connaissance interne et le développement d’assistants intelligents, de la phase de conception jusqu’à la mise en production.

Missions principales :
·        Analyser les besoins métiers et identifier les cas d’usage pertinents autour de l’IA générative.
·        Concevoir et développer des applications basées sur des LLM tels que GPT, Mistral, Llama ou Claude.
·        Développer des assistants conversationnels et des systèmes d’aide à la décision.
·        Concevoir et mettre en œuvre des architectures RAG et des solutions de recherche sémantique.
·        Développer les pipelines documentaires : ingestion, nettoyage, chunking, embeddings, indexation, retrieval et reranking.
·        Concevoir des workflows agentiques et orchestrer des outils et agents IA.
·        Développer des APIs et services backend autour des modèles IA.
·        Transformer les POC en solutions industrialisées et production-ready.
·        Mettre en place les pratiques de tests, versioning, CI/CD, monitoring et documentation.
·        Définir et mettre en œuvre des métriques et frameworks d’évaluation des solutions GenAI.
·        Optimiser la qualité des réponses, la pertinence du retrieval, la latence et les coûts, tout en limitant les hallucinations.
·        Participer au déploiement des solutions sur des environnements Cloud.
·        Présenter et vulgariser les solutions auprès des équipes techniques et métiers.

Livrables attendus :
·        Analyses des besoins et identification des cas d’usage IA.
·        Spécifications fonctionnelles et techniques.
·        Prototypes et applications GenAI fonctionnelles.
·        Architectures RAG et pipelines documentaires documentés.
·        APIs, services IA et agents opérationnels.
·        Scripts et notebooks d’expérimentation.
·        Code source versionné et pipelines CI/CD.
·        Documentation d’architecture, de déploiement et d’exploitation.
·        Métriques de qualité et de performance des solutions.
·        Documentation des modèles, prompts et dispositifs d’évaluation.