Trouvez votre prochaine mission ou futur job IT.

Contexte L'équipe travaille sur des algorithmes de détection d'objets d'intérêt militaire sur des images satellites. Le pôle est composé d'une vingtaine de personnes dont une majorité de Deep Learning Scientists. Pour faire face à une augmentation de la charge, nous avons besoin de renforcer rapidement l'équipe en particulier pour travailler sur le développement d'un Retraining Kit. • L'objectif est de permettre à nos clients de réentraîner certains de nos détecteurs sur leurs propres données et cas d'usage. • Ce kit s'appuiera sur plusieurs modules internes, notamment pour préparer les données, lancer et suivre les entraînements, évaluer les performances et packager le détecteur réentraîné. Nous cherchons à renforcer l'équipe avec un profil ML Engineering capable de contribuer à la mise en production de ce kit. • La personne fera partie intégrante de l'équipe et s'intègrera dans une squad de 3 personnes. • La mission sera d'une durée minimale de 6 mois. • La personne devra venir sur le site à Paris au minimum 2 jours par semaine. Mission Les missions principales sont : • Développer le Retraining Kit en s'appuyant sur les modules internes . • Valider et fiabiliser le kit pour un déploiement client via des tests de bout en bout, l'amélioration des workflows, de la qualité logicielle et de la documentation. Conditions de la mission : Intégration dans une squad de 3 personnes, Mission de 6 mois minimum Présence sur site à Paris 2 jours par semaine

#StormYourCareer ✨ Rejoins STORM GROUP et construis ta carrière avec nous ! Industrialise le potentiel algorithmique et propulse les modèles d'apprentissage en productionDans le cadre de l'industrialisation globale de ses modèles de Machine Learning, un grand compte recherche un(e) Machine Learning Engineer. Ton rôle sera technique et stratégique : tu assureras la transition des modèles algorithmiques du stade expérimental (Proof of Concept) vers des environnements de production haute disponibilité, tout en garantissant leur scalabilité, leur monitoring continu et leur maintien en conditions opérationnelles. Ton futur environnementTu évolueras au sein d'un pôle d'ingénierie data et IA de pointe, à la jonction entre la Data Science, le génie logiciel et les opérations (DevOps). En interface quotidienne avec les data scientists, les data engineers et les équipes de production informatique, tu interviendras sur des flux d'inférence critiques. C'est le cadre idéal pour appliquer les standards les plus stricts du génie logiciel à l'écosystème du Machine Learning, exploiter des infrastructures de calcul accéléré (GPU) et déployer des pratiques MLOps avancées. Tes missions clésIndustrialisation, Packaging & Services d'Inférence (Mode BUILD) : Reprendre, refactoriser et packager le code issu des équipes de data science selon les standards de production (modularité, robustesse, tests unitaires et d'intégration). Développer et optimiser les microservices et APIs d'inférence temps réel et batch (Python, FastAPI). Assurer la conteneurisation (Docker) et le déploiement sur des clusters orchestrés (Kubernetes) exploitant des ressources de calcul accéléré (GPU). Concevoir et automatiser les pipelines d'entraînement, de réentraînement continu (CT) et de validation automatisée des modèles. Piloter le versioning des jeux de données, des artefacts et le tracking des expérimentations via MLflow et du stockage objet (S3). Observabilité, Monitoring & Optimisation (Mode RUN & MLOps) : Mettre en œuvre les mécanismes de surveillance continue en production : détection de la dérive des données (data drift) et de la dérive des concepts (concept drift) via des outils spécialisés (Evidently, Grafana). Configurer le système d'alerting et assurer le maintien en conditions opérationnelles des services exposés. Optimiser les performances d'inférence (latence, débit) et maîtriser les coûts de calcul liés aux infrastructures GPU. Rédiger la documentation technique et diffuser les bonnes pratiques logicielles au sein des équipes data. Ton profilFormation : Diplôme d'Ingénieur ou Bac+5 universitaire en informatique, génie logiciel ou Data Science. Expérience : Tu justifies d'une expérience confirmée de 3 à 5 ans en développement logiciel intégrant une spécialisation concrète en Machine Learning et pratiques MLOps. Expertise Développement & Machine Learning Impérative : Excellente maîtrise de la programmation en Python et du développement d'APIs performantes (FastAPI). Solide compréhension des modèles et bibliothèques de Machine Learning (scikit-learn, PyTorch ou TensorFlow). Culture éprouvée du code de production : tests automatisés, intégration continue (CI/CD), revue de code et gestionnaire de versions (Git). Culture MLOps & Infrastructure : Maîtrise des environnements conteneurisés (Docker, Kubernetes) et de la gestion des ressources GPU. Pratique confirmée de MLflow et des outils de monitoring de modèles (Evidently, Grafana). Connaissance du stockage distribué et stockage objet (S3). Langues : Anglais professionnel opérationnel. Tes atoutsCulture du Génie Logiciel : Rigueur absolue dans la structuration du code, l'automatisation des tests et le respect des normes d'architecture logicielle. Sens de la Passerelle Métier : Faculté à dialoguer efficacement avec les data scientists pour comprendre les algorithmes, tout en répondant aux contraintes opérationnelles des équipes d'exploitation. Pragmatisme et Sens de l'Optimisation : Recherche permanente du meilleur compromis entre vitesse d'inférence, fiabilité du service et consommation de ressources. Nos avantagesRemboursement des titres de transport à hauteur de 75%. Tickets restaurant pris en charge par STORM GROUP à hauteur de 50% (10,5€ / jour). Accès Gymlib / Wellpass (sport et bien-être). Contrat Santé / Prévoyance mis en place auprès de la compagnie Alan. Formation continue : Accès à Udemy Business. Prime de cooptation, prime d'intéressement et de participation. Deux à trois jours de télétravail par semaine. 5 raisons de nous rejoindreParcours sur mesure : Co-construis une trajectoire professionnelle unique, adaptée à tes ambitions. Missions Stratégiques : Interviens sur des projets d'envergure, en parfaite cohérence avec ton expertise. Suivi Dédié : Bénéficie d'un pilotage annuel structuré pour garantir ta progression continue. Excellence Continue : Développe tes compétences au quotidien au sein d'un écosystème exigeant. Performance Durable : Évolue dans un cadre où l'exigence métier respecte ton équilibre de vie. Storm Group encourage une culture inclusive et multiculturelle où la diversité des profils nourrit notre intelligence collective. En rejoignant la Storm Team, tu intègres un écosystème engagé qui place le développement de tes talents au cœur de sa stratégie, tout en agissant concrètement pour la solidarité et la réduction de l'empreinte environnementale, aussi bien au sein de nos bureaux que dans les projets d'envergure que nous menons chez nos clients.

Machine Learning et Modélisation Avancée : le plus gros volet de la missionIndustrialiser des modèles ML concrets : Développer, entraîner et surveiller des modèles de scoring, de détection d'anomalies, de dérive et de prédiction d'échec appliqués aux flux de paiement et d'identité. Inno & Graph Analytics : Représenter l'acte d'achat sous forme de graphes pour repérer les comportements atypiques et perfectionner la dynamique des parcours. Routage intelligent : Concevoir des algorithmes d'arbitrage automatique pour maximiser le taux de succès des transactions au meilleur coût. MLOps : Travailler main dans la main avec l'équipe DevOps pour déployer et industrialiser vos modèles de manière résiliente au cœur de l'infra. Analytics Engineering & Business IntelligenceFiabilité & Gouvernance : Être le/la garant(e) de la propreté, de la structure et de la cohérence de nos jeux de données. Analytics GenAI & Self-service : Concevoir des solutions BI (Looker) dopées à l'IA pour offrir une autonomie maximale aux équipes métiers. Pilotage & Insights : Suivre les KPIs vitaux, détecter les tendances clés et répondre à des problématiques business complexes avec une rigueur analytique irréprochable.

Au sein du Pôle Infrastructure Technique de la DSI, la squad IA / MLOps assure l'industrialisation, le déploiement, la sécurisation et le maintien en condition opérationnelle des solutions d'Intelligence Artificielle (Machine Learning, Computer Vision, GenAI/LLM) sur des environnements multi-cloud (AWS, Azure et GCP). Pour accompagner les projets, il est recherché un Chef de projet Intégration, DevOps & ML Engineer expérimenté intervenant à l'interface entre les équipes Métier / Data Science et les équipes Infrastructure / Exploitation. Le prestataire formera un binôme technique avec une ingénieure ML/MLOps déjà en poste afin d'assurer la continuité de service et de faire évoluer deux volets de cas d'usage ML en production. Volet 1 : Cas d'usage ML sur AWS : traitement de données opérationnelles à grande échelle, EDA sur données industrielles bruitées, conception et maintien d'algorithmes de rapprochement / matching spatio-temporel, services serverless et génération documentaire ; environnement technique : Amazon SageMaker, Amazon Bedrock, Lambda, S3, Glue, Kinesis/Firehose, Athena, Comprehend/Textract, boto3 ; socles data ELK et BigQuery ; IaC Terraform. Volet 2 : Cas d'usage MLOps sur Azure : industrialisation de modèles de bout en bout (versionning, pipelines d'entraînement, gate d'évaluation, registry, blue/green, monitoring de drift), déploiement multi-sites et optimisation incluant des modèles d'optimisation par renforcement (RL / SAC) ; environnement technique : Azure Machine Learning, Microsoft Fabric / OneLake, Azure DevOps, Azure AI, AKS, IaC Terraform / Bicep. Objectifs : concevoir et maintenir des architectures cloud hybrides AWS / Azure pour charges IA ; développer et fiabiliser pipelines CI/CD ML ; intégrer services cognitifs managés ; développer modules Terraform réutilisables ; accompagner la modernisation vers conteneurs et serverless ; assurer support N3 IA/Data et montée en compétence du Run ; auditer et optimiser les coûts Cloud IA, garantir sécurité et conformité des données. Livrables attendus : dossiers d'architecture de référence, modules Terraform versionnés, pipelines MLOps automatisés, audits FinOps IA, documentation d'exploitation et fiches de transfert vers le Run. Démarrage : ASAP. Abonnez-vous à la page NaxoTech sur LinkedIn pour découvrir nos offres régulières

1. Pilotage technique & leadership Assurer le rôle de référence technique sur les sujets ML/LLM (RAG, IA générative, agents, orchestration de workflows). Animer le chapter technique de l'équipe : Organisation de rituels (tech talks, BBL, sessions de partage de bonnes pratiques). Diffusion de standards d'architecture, de qualité de code et de sécurité. Participer activement aux revues de PR (Pull Requests) et garantir un niveau élevé de qualité logicielle (lisibilité, tests, performance, sécurité). 2. Conception & industrialisation des solutions IA Concevoir, développer et industrialiser des pipelines ML/LLM robustes et scalables : Solutions RAG (indexation, vector stores, retrieval, re-ranking). Agents et workflows complexes (orchestration, gestion de contexte) Mettre en œuvre une architecture logicielle solide, adaptée aux enjeux d'IA en production (patterns de microservices, event-driven, modularisation, etc.). Structurer et maintenir un socle technologique d'innovation autour de l'IA (bibliothèques, templates de projets, guidelines, exemples réutilisables). 3. MLOps / LLMOps & Cloud Définir et mettre en œuvre les pratiques MLOps / LLMOps : CI/CD pour modèles et services d'IA. Monitoring, observabilité, gestion de dérive, suivi de performance des modèles. Industrialiser les solutions sur des environnements containerisés : Docker, Kubernetes et OpenShift (déploiement, scaling, gestion des ressources). Contribuer à la mise en place d'un environnement Cloud cohérent avec les standards groupe. 4. Performance, sécurité & intégration Optimiser la performance des services IA : Latence, throughput, coût, consommation de ressources. Benchmark des modèles et des différents backends (LLM, embeddings, vector stores). Implémenter et/ou intégrer des mécanismes d'authentification et d'autorisation : OIDC / OAuth 2.0, gestion des tokens, intégration avec l'écosystème IAM. Veiller au respect des bonnes pratiques de sécurité, de confidentialité et d'IA responsable (gestion des données sensibles, traçabilité, explicabilité). 5. Accompagnement des Data Scientists & des métiers Travailler en étroite collaboration avec les Data Scientists pour : Transformer les prototypes en produits industrialisés. Co-construire des API et services utilisables par les applications métiers. Accompagner les équipes métier dans la compréhension et l'adoption des solutions IA : Vulgarisation des solutions. Intégration dans les processus d'aide à la décision.

En tant que Tech Lead Machine Learning Engineer, vous aurez la charge de : • Accompagner nos clients : cadrage et support technique ; aide à l'amélioration des performances et de l'industrialisation sur le code ; aide à l'évolution de leur AI plateforme • Assurer le support et le développement applicatif interne : opérer le développement de l'infrastructure Datalab (git, installation de packages, outils,...) ; contribuer à la pérennité et à la diffusion des projets internes • Industrialiser : mettre en production les modèles de ML développés (optimisation des scripts développés par les Data Scientist) et maintenir les scripts en production ; développer une CI/CD avec l'infrastructure développée jusqu'en production ; mettre en place une gouvernance viable ; rédiger des documents projets (design, réalisation, déploiement, ...) Référence de l'offre : vninfcki59

Contexte L'équipe détecteur IMINT (IMagery INTelligence) travaille sur des algorithmes de détection d'objets d'intérêt militaire sur des images satellites. Le pôle est composé d'une vingtaine de personnes dont une majorité de Deep Learning Scientists. Pour faire face à une augmentation de la charge, nous avons besoin de renforcer rapidement l'équipe en particulier pour travailler sur le développement d'un Retraining Kit. L'objectif est de permettre à nos clients de réentraîner certains de nos détecteurs sur leurs propres données et cas d'usage. Ce kit s'appuiera sur plusieurs modules internes de notre AI factory, notamment pour préparer les données, lancer et suivre les entraînements, évaluer les performances et packager le détecteur réentraîné. Nous cherchons à renforcer l'équipe avec un profil ML Engineering capable de contribuer à la mise en production de ce kit. La personne fera partie intégrante de l'équipe et s'intègrera dans une squad de 3 personnes. La mission sera d'une durée minimale de 6 mois. La personne devra venir sur site au minimum 2 jours par semaine. Mission Les missions principales sont : Développer le Retraining Kit en s'appuyant sur les modules internes de notre AI Factory. Valider et fiabiliser le kit pour un déploiement client via des tests de bout en bout, l'amélioration des workflows, de la qualité logicielle et de la documentation. Profil recherché en résumé : Une formation en Software Engineering, en machine learning, computer vision ou domaine similaire. 2 ans d'expérience minimum en ML Engineering, très bonne connaissance de Python et des bonnes pratiques en développement logiciel Expérience en Deep Learning et / ou Computer Vision o D'une expérience en SW engineering (culture archi / design, qualité / testing / CI/CD). o Une connaissance de l'imagerie satellite est un plus. En terme de méthodologie de travail : d'une expérience en environnement agile, sans pour autant en défendre une application dogmatique En terme de soft skills : o D'autonomie et de capacité à investiguer un problème de bout en bout. o D'une posture user-centric, en pensant avant tout aux besoins des utilisateurs. o D'ouverture d'esprit, communication, et travail en équipe. Conditions de la mission : Intégration dans une squad de 3 personnes, Mission de 6 mois minimum Présence sur site 2 jours par semaine

Dans le cadre d'un projet stratégique autour de la recommandation et de l'IA, nous recherchons un Machine Learning Engineer expérimenté pour concevoir, développer et industrialiser des pipelines Data et ML de bout en bout. Vous intégrerez une équipe pluridisciplinaire composée de Data Scientists, Data Engineers, développeurs, Tech Lead et Product Owner, au sein d'un environnement fortement orienté Data, ML et Cloud. Vos missionsConcevoir et développer des data pipelines de bout en bout : ingestion, transformation, stockage et exposition des données. Concevoir et industrialiser des pipelines ML : préparation des données, entraînement, évaluation, publication et inférence. Participer à la conception et à l'évolution d'architectures Data / ML sur GCP. Mettre en place les mécanismes de qualité, reproductibilité, monitoring et observabilité des pipelines. Industrialiser les modèles ML pour des usages en production, notamment en inférence temps réel. Participer à l'évolution du socle DataOps / MLOps et des outils d'orchestration. Optimiser les solutions existantes en matière de performance, fiabilité, maintenabilité et coûts Cloud. Participer au Run et à la résolution des incidents sur les pipelines et services existants. Garantir la qualité des développements : tests, revue de code, documentation et bonnes pratiques d'ingénierie. Collaborer avec les équipes Data, ML et Software Engineering afin de partager les bonnes pratiques. Environnement techniqueData Engineering : BigQuery, dbt, Kafka, streaming, data modeling, Terraform. ML / MLOps : Python, Deep Learning, embeddings, Docker, Kubernetes, Git, ZenML ou outils similaires, ML pipelines, inférence temps réel. Cloud : GCP, architectures Cloud distribuées.

Localisation : Paris 13e Démarrage : Asap Type de mission : Longue durée Contexte de la missionDans le cadre de l'accélération de sa transformation Data et Intelligence Artificielle, une organisation recherche un ML Engineer spécialisé en industrialisation de solutions IA sur Dataiku. Vous interviendrez sur la transformation de modèles de Machine Learning développés par les Data Scientists en solutions robustes, performantes et exploitables en production, tout en contribuant à la mise en place des bonnes pratiques MLOps. Missions principalesIndustrialiser les modèles de Machine Learning et transformer les prototypes en solutions prêtes pour la production. Concevoir, développer et maintenir des workflows sur Dataiku : recettes, scénarios d'automatisation et API endpoints. Mettre en place des pipelines CI/CD pour automatiser le déploiement des modèles IA. Assurer le monitoring des modèles en production : performances, détection de dérive (model drift) et suivi de leur fiabilité. Garantir la scalabilité, la maintenabilité et la qualité des solutions déployées. Intégrer les modèles dans les systèmes d'information en collaboration avec les équipes Data, IT et métiers. Documenter les solutions et contribuer à la standardisation des pratiques MLOps. Compétences recherchéesExpérience confirmée en Machine Learning Engineering et MLOps. Très bonne maîtrise de Dataiku DSS, notamment en conception de workflows, automatisation et déploiement. Maîtrise des pratiques CI/CD appliquées aux projets IA. Bonne connaissance des architectures Data et des flux ETL/ELT. Connaissance des environnements Cloud et des technologies de conteneurisation, notamment Docker et Kubernetes. Capacité à déployer et maintenir des modèles de Machine Learning en environnement de production.

Au sein d'un acteur majeur du retail européen, l'équipe Data & IA Marketplace traite des volumes massifs de données issues de vendeurs tiers. L'objectif est d'automatiser la qualification, la classification et l'enrichissement des catalogues produits pour garantir une expérience utilisateur optimale. Le défi réside dans l'industrialisation de modèles complexes au sein d'une architecture Data Mesh en forte croissance. La Stack Technique Langages : Python, Bash. Cloud : GCP (Google Cloud Platform). Orchestration & MLOps : Airflow, Kubeflow, ZenML, MLflow, Vertex AI. Infrastructure & DevOps : Docker, Kubernetes, Terraform, Ansible, Gitlab CI. Data Quality & Feature Store : Great Expectations, Feast. Ta Mission & Ton Impact : Concevoir et maintenir des pipelines MLOps automatisés (CI/CD) pour l'entraînement et le déploiement des modèles en production. Gérer l'infrastructure cloud via Terraform et assurer le versioning complet des modèles et des données. Implémenter le monitoring de performance (détection de drift, latence) et configurer l'alerting pour garantir la fiabilité des solutions. Accompagner les Data Scientists dans l'adoption des meilleures pratiques de développement (code quality, tests, industrialisation). Intégrer des validations de schémas et des filtres de qualité de données au sein des pipelines de production.

Chef de projet Intégration, DevOps & ML Engineer Cloud (AWS / Azure)Référence : RFP-271494-1 Localisation : À confirmer Date de démarrage : 09/11/2026 Durée : 3 mois Type de mission : Prestation Disponibilité : ASAP Contexte de la missionAu sein du Pôle Infrastructure Technique de la DSI, la squad IA / MLOps assure l'industrialisation, le déploiement, la sécurisation et le maintien en condition opérationnelle des solutions d'intelligence artificielle : Machine Learning, Computer Vision et IA générative / LLM, dans des environnements multicloud (AWS, Azure et GCP). Dans ce cadre, nous recherchons un Chef de projet Intégration, DevOps & ML Engineer Cloud expérimenté, capable d'intervenir à l'interface entre les équipes Métier, Data Science, Infrastructure et Exploitation. Le consultant travaillera en étroite collaboration avec une ingénieure ML/MLOps interne afin de garantir la continuité de service et de faire évoluer deux cas d'usage de Machine Learning en production. Missions principales1. Industrialisation de solutions Data Science et Serverless sur AWSRéaliser des analyses exploratoires de données industrielles à grande échelle. Concevoir, développer et maintenir des algorithmes de rapprochement et de matching spatio-temporel. Gérer les problématiques de données manquantes, de fenêtres temporelles et de signaux GPS défaillants. Concevoir et exploiter des traitements serverless et des flux de génération automatisée de documents, notamment des rapports multi-images. Participer à la conception et à l'optimisation des pipelines de traitement de données. Contribuer à l'intégration de solutions d'IA générative et de services LLM. 2. Industrialisation MLOps sur AzureMettre en place et maintenir les pipelines d'entraînement et d'évaluation automatisés des modèles. Assurer la gestion des jeux de données versionnés et des registres de modèles. Industrialiser les déploiements de modèles en production, notamment via des stratégies blue/green. Mettre en place le monitoring des performances et la détection de dérive des modèles (model drift). Concevoir et optimiser des architectures de déploiement multi-sites, avec un socle commun factorisé et des configurations spécifiques par site. Participer à l'implémentation de modèles d'optimisation par apprentissage par renforcement (Reinforcement Learning, notamment SAC). 3. Intégration, DevOps et exploitation CloudAutomatiser les déploiements et les opérations d'infrastructure à l'aide de pratiques DevOps et Infrastructure as Code. Contribuer à la fiabilité, à la sécurité et à la disponibilité des solutions ML en production. Mettre en œuvre les bonnes pratiques de CI/CD, de supervision et de gestion des environnements. Faciliter la collaboration entre les équipes Data Science, Infrastructure et Exploitation. Assurer la continuité de service et contribuer à l'amélioration continue des solutions existantes. Environnement techniqueCloud AWS : Amazon SageMaker : entraînement, inférence, pipelines et registre de modèles. Amazon Bedrock : GenAI, LLM, RAG et Guardrails. AWS Lambda, S3, Glue, Kinesis / Firehose, Athena. Amazon Comprehend / Textract. boto3. Cloud Azure et MLOps : Industrialisation des modèles de Machine Learning. Pipelines d'entraînement et d'évaluation. Gestion des versions et registre de modèles. Déploiement blue/green et monitoring du model drift. DevOps et Data : Terraform et Infrastructure as Code. ELK. BigQuery. Automatisation et intégration continue / déploiement continu (CI/CD). Profil recherchéExpérience confirmée en ingénierie Cloud, DevOps et/ou MLOps. Expérience concrète dans l'industrialisation et la mise en production de modèles de Machine Learning. Bonne maîtrise des environnements cloud, notamment AWS et/ou Azure. Capacité à concevoir et exploiter des pipelines de données et des architectures serverless. Maîtrise des pratiques d'automatisation, de déploiement et de supervision. Capacité à travailler en équipe et à coordonner les échanges entre les interlocuteurs techniques et les équipes Data Science. Autonomie, rigueur, esprit d'analyse et orientation résultats. Compétences appréciéesExpérience avec Amazon SageMaker et Amazon Bedrock. Connaissance des architectures GenAI, LLM, RAG et des mécanismes de sécurisation associés. Expérience en traitement de données industrielles et en matching spatio-temporel. Connaissance des méthodes d'apprentissage par renforcement, notamment SAC. Expérience dans la conception d'architectures multicloud et multi-sites. Objectif de la missionGarantir l'industrialisation, la fiabilité et l'évolution de deux cas d'usage de Machine Learning en production, en renforçant l'intégration Cloud, les pratiques DevOps et les capacités MLOps des équipes. Pour candidater : merci de transmettre un CV actualisé, la disponibilité, le TJM et les expériences significatives en AWS, Azure, DevOps et MLOps.

Dans le cadre du renforcement d'une équipe Data Science / Machine Learning basée à Nantes, nous recherchons un ML Engineer / Data Scientist expérimenté pour intervenir sur des sujets d'industrialisation de modèles et de développement d'outils Data. Vos missions Industrialiser des modèles de Machine Learning Développer et utiliser des outils de conversion de code s'appuyant sur les LLM Créer et maintenir des librairies internes Participer à l'intégration de nouvelles librairies externes Assurer la maintenance et le support des outils de Data Science et d'industrialisation Accompagner les Data Scientists et utilisateurs métiers dans l'utilisation des outils Manipuler et traiter des volumes importants de données Conditions de la mission 📍 Localisation : Nantes 🏠 Télétravail : 1 jour/semaine, après une première phase de montée en autonomie d'environ 3 mois 📅 Démarrage : ASAP ⏳ Mission longue durée 👨‍💻 Expérience : 5 ans minimum Un accompagnement sera assuré par un Chef de Projet interne pendant la mission.

Notre client, un grand groupe bancaire international et un acteur majeur des services financiers en Europe, a fait de l'intelligence artificielle un levier central de sa transformation. Plusieurs cas d'usage sont déjà en production auprès des collaborateurs, et l'enjeu porte désormais sur l'accélération et l'industrialisation des développements. Au sein de la direction IT Innovation, l'équipe IA renforce ses capacités avec un profil technique senior. Tu interviendras sur la conception, le développement et l'industrialisation de solutions Data et IA : développement et mise en production de modèles de Machine Learning, exposition via des API et des microservices, mise en place de pratiques MLOps, tests et documentation. Il s'agit d'un rôle de réalisation, pas de développement d'agents IA. L'IA générative est ici avant tout un outil de production : tu utiliseras Claude Code et GitHub Copilot de manière avancée sur tout le cycle de développement pour livrer plus vite, sans compromis sur la qualité.

Contexte Notre client lance ses premiers projets d'IA et d'automatisation. Le premier chantier est un POC d'automatiser, c'est-à-dire le recensement d'informations dans les PDF, images et autres, fait aujourd'hui à la main. D'autres projets data et IA suivront. La mission Construire la chaîne de traitement : extraction des PDF, détection des publicités, structuration des données (annonceur, marque, format, page, numéro). Choisir et comparer les approches (OCR, vision, LLM) sur des métriques mesurées : précision, rappel, coût, temps. Livrer du code de production : tests, logs, reprise sur erreur, API, Docker. Préparer la suite : intégrer le traitement aux données et automatiser d'autres processus.

Dans le cadre de l'industrialisation de ses modèles de machine learning, un grand compte recherche un ML Engineer pour assurer le passage des modèles du stade expérimental à la production, et leur maintien en conditions opérationnelles. Le consultant interviendra notamment sur : ▪ L'industrialisation des modèles développés par les équipes de data science : refactoring, packaging, optimisation ▪ Le développement des APIs et services d'inférence exposant les modèles ▪ La mise en production dans un environnement conteneurisé et le déploiement continu ▪ Le monitoring des modèles en production : performance, dérive des données (drift), alerting ▪ L'automatisation des pipelines de réentraînement et de validation ▪ Le suivi des expérimentations et le versioning des modèles ▪ L'optimisation des performances et des coûts d'inférence

ingénieur DATA ML / DEVOPS CLOUD AWS AZURE 450 e par j Profil : Data / ML Engineer senior, avec une posture de pilotage (chef de projet DevOps ML) Compétences clés : MLOps / DevOps ML (CI/CD, Terraform, Docker/Kubernetes), Python, plateformes data/cloud (GCP apprécié, Azure/AWS/Databricks acceptés), encadrement ou coordination d'une équipe projet Un plus : une certification cloud (Google Cloud, Azure ou Databricks), une pratique des assistants de code IA (Claude Code, Copilot, etc.), une expérience grand compte ou industrie/énergie/environnement Démarrage :ASAP data/ML, environnement AWS et Azure. 450 e par j