Trouvez votre prochaine offre d’emploi ou de mission freelance MLOps

Data & AI Engineering Tech Lead / Agentic AI Architect, mission longue, basé·e à Lille (hybride). Le poste consiste à prendre en charge l'architecture et l'industrialisation des capacités d'agents intelligents au sein d'une équipe technique pluridisciplinaire. Les responsabilités incluent la définition des guidelines d'architecture pour l'intégration entre Databricks (orchestrateur central / Unity Catalog) et des environnements multi-cloud (AWS, GCP, BDC-SAP), la conception et le pilotage d'un POC Agent-to-Agent (A2A) avec spécifications techniques et protocoles d'interaction, l'analyse des impacts d'architecture sous contraintes réglementaires et cloud locales (ex. Chine), ainsi que l'alignement ontologique du domaine SMP en s'appuyant sur une Data Centrale. Le poste implique également la production d'une matrice d'évaluation technique et financière (ex. SAP Joule vs agents custom), l'orientation technique de développements cross-tech, et la livraison de livrables opérationnels : document de cadrage d'architecture, grille décisionnelle, cadrage POC A2A, matrice de gouvernance et projection budgétaire 2027. Le/la titulaire travaillera en étroite collaboration avec les équipes Data, Produit et Ingénierie pour définir le routage d'intelligence, bâtir une infrastructure sécurisée permettant aux agents d'interagir avec les données d'entreprise et les systèmes historiques, et accompagner les équipes opérationnelles dans la validation des preuves de concept. Abonnez-vous à la page NaxoTech sur LinkedIn pour découvrir nos offres régulières

En tant qu'Ingénieur ML au sein de l'équipe ML Platform, vous mettrez à profit votre solide expérience en industrialisation, votre maîtrise de Python et votre expertise pratique de l'entraînement de modèles. Votre rôle sera de faciliter le travail quotidien du ML Lab sur (leur "neocloud" de choix) et d'assurer la liaison avec l'outillage MLOps (principalement sur AWS), en étroite collaboration avec un ingénieur DevOps dédié. Responsabilités ClésFavoriser l'expérimentation rapide : Créer et maintenir les outils permettant aux chercheurs d'itérer rapidement sur de nouvelles approches ML. Gérer des expériences de recherche à grande échelle : Concevoir et superviser des cycles d'entraînement massifs sur l'infrastructure , en implémentant le suivi des expériences (experiment tracking) et la reproductibilité. Faciliter la collaboration externe : Permettre une collaboration sécurisée avec des partenaires académiques et l'accès aux ressources open-source tout en respectant les protocoles de sécurité. Optimisation des performances et des ressources : Profiler et optimiser les pipelines d'entraînement ; gérer efficacement les ressources GPU. Développement d'outils de recherche : Développer des bibliothèques et utilitaires spécifiques aux domaines du Lab (nouvelles architectures, techniques d'entraînement, frameworks d'évaluation). Transfert de connaissances : Partager les enseignements issus de la recherche expérimentale avec l'ensemble de l'équipe ML Platform et les chercheurs

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.

MLOps Engineer – Azure / Cloud & IA – Freelance / 6 mois de contrat initial / Bruxelles Pour le compte d'un client final qui accompagne quotidiennement des millions de particuliers et de professionnels dans toute l'Europe, nous recherchons un(e) des MLOps Engineers Séniors sur environnement Microsoft Azure, afin d'industrialiser et fiabiliser le cycle de vie des modèles d'IA à grande échelle. Informations clés de la mission Type de contrat : Prestation freelance Localisation : Bruxelles (Belgique) Rythme : Temps plein Démarrage : Dès que possible / à convenir Durée : Longue visibilité (contrats renouvelables) Télétravail : Politique hybride flexible (quelques jours sur site à Bruxelles / remote) Environnement : Contexte multiculturel, dynamique et en forte croissance Vos principales responsabilités Concevoir, automatiser et orchestrer les pipelines de bout en bout pour l'entraînement, le packaging, le déploiement et le monitoring des modèles d'apprentissage automatique (ML/DL). Industrialiser les plateformes de Machine Learning sur Azure (Azure Machine Learning, AKS, Databricks). Mettre en œuvre et maintenir les chaînes de CI/CD adaptées aux spécificités de la Data et du ML (GitOps, Azure DevOps / GitHub Actions). Mettre en place des mécanismes avancés de gouvernance, de versioning de données/modèles (MLflow, Feast/feature stores) et de tracking des métriques d'apprentissage. Assurer la surveillance continue des modèles en production (détection de data drift, concept drift, suivi des temps de latence et d'inférence). Collaborer étroitement avec les Data Scientists, les Data Engineers et les équipes d'infrastructure Cloud pour optimiser les performances et les coûts (FinOps).

Nous recherchons un Lead Data Scientist spécialisé en Intelligence Artificielle, avec une expertise sur Google ADK (Agent Development Kit), pour accompagner le développement de solutions d'IA agentique. MissionsConcevoir et développer des agents IA et des architectures multi-agents avec Google ADK. Définir les architectures techniques et les bonnes pratiques autour des solutions LLM / GenAI. Développer, tester et industrialiser des agents capables d'interagir avec différents outils, API et sources de données. Piloter les choix techniques et accompagner les Data Scientists / AI Engineers de l'équipe. Mettre en place les bonnes pratiques de MLOps / LLMOps, monitoring et évaluation des performances des agents. Collaborer avec les équipes Data, IT et Métiers afin de transformer les besoins en solutions IA concrètes. Assurer une veille sur les évolutions de Google Cloud, Google ADK et des technologies GenAI / Agentic AI. Environnement techniqueGoogle ADK, Google Cloud / Vertex AI, Python, LLM, GenAI, Agentic AI, API, MLOps / LLMOps.

Dans le cadre du développement d'une application de génération de QCM assistée par l'IA, rattachée à Pronote, notre client recherche un Data Engineer / InfraOps pour une mission d'environ 3 mois. L'objectif est d'anticiper et de traiter les enjeux de scalabilité, de performance et de disponibilité de l'application, dans un environnement souverain soumis à de fortes exigences de conformité. Missions principales :Mettre en œuvre les mécanismes de scalabilité de l'application et la gestion des files d'attente avec TaskIQ. Paramétrer les tests de charge et gérer le load balancing. Concevoir l'architecture de sauvegarde et de réplication sur deux datacenters. Mettre en place le monitoring et la gestion des logs en coordination avec les équipes métier et applicatives. Contribuer à l'amélioration de la performance et de la disponibilité de l'infrastructure. Participer, en complément, à l'installation des modèles d'IA sur l'infrastructure dédiée. Livrables attendus :Mécanismes de scalabilité et de gestion des files d'attente opérationnels. Tests de charge configurés et résultats analysés. Dispositifs de load balancing et de réplication entre deux datacenters. Monitoring et gestion des logs opérationnels. Recommandations techniques pour garantir la performance et la disponibilité de l'application.

Nous recherchons pour notre client, un grand groupe industriel international évoluant dans un environnement réglementé, un Product Owner Dataiku / Product Manager. Il contribuera à la stratégie produit et au déploiement des plateformes du socle Data & IA du groupe. Dataiku est l'outil pivot de la Data Science, de l'IA self-service et de l'agentique pour les métiers. Le périmètre couvre aussi les solutions d'IA générative de l'écosystème et les briques à venir. Au-delà de la gestion produit, le consultant sera un contributeur clé de la veille LLM et de la réflexion stratégique IA générative du groupe. Le contexte impose de fortes exigences de souveraineté, de sécurité et de conformité SI. Maîtrise fonctionnelle de la plateforme Dataiku Flows et recipes : préparation visuelle, jointures, transformations, datasets et connexions aux sources Modélisation ML : Visual ML / AutoML, déploiement, scoring, API endpoints et MLOps Dataiku Applications, dashboards et webapps Gestion de projets, environnements de code Python/R, plugins et extensions Capacités GenAI et agentiques : LLM Mesh, Prompt Studios, RAG, agents et Govern node Administration : gouvernance des espaces, rôles et permissions, licences et nœuds Déploiement et adoption Piloter la roadmap de déploiement à l'échelle des BU, des sites et du central Animer la communauté d'utilisateurs : formations, bonnes pratiques et templates réutilisables Mesurer l'usage et la valeur : KPIs d'adoption, projets actifs, ROI et satisfaction Dialoguer avec l'éditeur sur la roadmap et le support, en lien avec les équipes plateformes Gouvernance des cas d'usage Tenir à jour le portefeuille des cas d'usage développés sur la plateforme Assurer la conformité des projets au cadre de gouvernance Data & IA Suivre le cycle de vie des cas d'usage : POC, industrialisation, run et décommissionnement Garantir la traçabilité, la documentation et la réutilisation des assets entre BU et sites

En quelques mots Cherry Pick est à la recherche d'un Dev/Ingénieur IA (H/F) pour l'un de ses clients qui opère dans le secteur de l'assurance. Description 🎯 Contexte de mission Dans le cadre du chantier IA4IT, la mission consiste à concevoir, déployer et sécuriser les fondations techniques nécessaires à l'exploitation à grande échelle de solutions d'IA générative et agentique. Au sein d'une équipe pluridisciplinaire dédiée à l'IA, le consultant contribuera à la construction et à l'industrialisation d'une plateforme robuste, sécurisée, scalable et exploitable dans un contexte d'entreprise exigeant. 🛠️ Missions principales et rôle 🏗️ Architecture & infrastructure IA Concevoir l'architecture technique des solutions IA. Déployer et configurer les environnements cloud et les composants d'infrastructure. Définir les architectures permettant l'exploitation industrielle des cas d'usage IA. Garantir la robustesse, la scalabilité, la maintenabilité et la réversibilité de la plateforme. ☁️ Cloud & plateformes Concevoir et déployer les infrastructures cloud. Intervenir sur des environnements Azure, AWS et/ou GCP. Mettre en œuvre et administrer des environnements Kubernetes et/ou OpenShift. Industrialiser les environnements et automatiser leur déploiement. ⚙️ DevOps / DevSecOps Concevoir et industrialiser les chaînes CI/CD. Mettre en œuvre les pratiques Infrastructure as Code. Développer les automatisations nécessaires à l'exploitation de la plateforme. Mettre en œuvre des approches GitOps. Intégrer les exigences de sécurité directement dans les chaînes d'industrialisation. 🔐 Sécurité & conformité Concevoir les dispositifs de sécurité associés aux plateformes IA. Mettre en place et administrer les mécanismes IAM. Gérer les secrets et les accès aux ressources. Garantir la traçabilité des opérations. Intégrer les exigences de conformité, de sécurité et de réversibilité. Identifier et maîtriser les risques liés à l'exploitation des solutions IA. 🧠 Intégration des briques IA Intégrer les différents composants nécessaires aux solutions d'IA générative et agentique : Modèles IA / LLM Gateways LLM Orchestrateurs agentiques APIs Connecteurs Bases documentaires Outils de test Participer à la conception des architectures LLMOps. Garantir l'intégration cohérente des briques IA avec le socle cloud et les systèmes existants. 📊 Observabilité & exploitation Mettre en place les dispositifs de monitoring, logging et supervision. Déployer les outils d'observabilité adaptés aux plateformes IA. Suivre les performances et la disponibilité des composants. Mettre en place les dispositifs de suivi des coûts. Préparer les conditions d'exploitation et de maintien en conditions opérationnelles. Rédiger les procédures et documentations d'exploitation. 🚀 Industrialisation & amélioration continue Contribuer aux choix d'architecture et aux recommandations techniques. Identifier les leviers d'optimisation et d'industrialisation. Anticiper les problématiques de montée en charge. Garantir une exploitation durable, sécurisée et maîtrisée des plateformes IA. 🎯 Objectifs Construire un socle technique industriel pour l'IA générative et agentique. Déployer des infrastructures cloud sécurisées et scalables. Industrialiser les pratiques DevOps, DevSecOps et IaC. Intégrer efficacement les composants LLM et agentiques. Garantir l'observabilité et l'exploitabilité de la plateforme. Maîtriser les risques, les coûts et la réversibilité. Fournir une plateforme fiable permettant le déploiement de cas d'usage IA à grande échelle.

Lead IA / Architecte IA & MLOps du stream IA conçoit, cadre et met en œuvre les architectures IA industrielles (ML classiques et IA générative), en garantissant leur cohérence avec le SI, leur industrialisation via le MLOps, et leur observabilité en production. Cadrage technique & architecture IA Réaliser les études de faisabilité technique IA (données, intégration, sécurité, MLOps). Définir les architectures cibles IA (ML prédictif, RAG, GenAI), alignées avec : le SI existant, les standards Groupe, le socle technique commun (CI/CD, API, SCOM) Formaliser les choix dans des dossiers d'architecture. Prototypage & validation des cas d'usage Piloter ou réaliser des POC IA rapides (4–6 semaines) en lien avec la DSMC. Tester la viabilité des modèles, des données et des chaînes techniques. Documenter résultats, limites, risques techniques et conditions d'industrialisation MLOps & industrialisation Définir et mettre en œuvre les chaînes MLOps : Accompagner l'intégration des solutions IA dans le SI existant. Contribuer au catalogue de services IA de la DSI Observabilité IA & fiabilité Définir et déployer les principes de ML Observability : Mettre en place les alertes et indicateurs nécessaires au pilotage. Contribuer à la stratégie de run IA avec les équipes concernées Gouvernance des modèles IA Contribuer à la gouvernance IA DSI / DSMC : Participer aux comités IA et Architecture. Garantir la conformité des solutions avec les exigences RGPD / AI Act (en lien avec les instances dédiées) Référent IA & accompagnement des équipes Agir comme référent technique IA pour la DSI. Accompagner Data Engineers, équipes projets et prestataires. Diffuser les bonnes pratiques IA / MLOps (standards, patterns, retours d'expérience). Contribuer à la montée en compétence globale sur l'IA industrielle Indispensables Python, Git, CI/CD (GitLabCI) Cloud (priorité Azure) Concepts ML & IA générative (RAG, LLM, embeddings) MLOps (versioning, pipelines, monitoring) Intégration SI / APIs Agent IA Appréciées (non bloquantes) Snowflake Airflow Sécurité IA (prompts, cloisonnement, traçabilité)

Pour notre client, nous rechechons en ce moment un Ingénieur MLOps / LLMOps, Azure AI & Copilot Studio. Objectifs de la mission Instrumenter et établir une base de référence de l'agent existant : qualité de la récupération, troncature du contexte, limitations de débit (throttling), latence et ancrage des réponses dans les sources, mesurés sur des cas métier réels Distinguer les limites intrinsèques de la plateforme des problèmes de paramétrage et de prompt, et restituer cette distinction de façon claire à un public non technique Recommander et faire valider une architecture cible : optimisation au sein de Copilot Studio, ou bascule vers Azure AI Foundry / Azure OpenAI avec une couche de récupération dédiée Construire la chaîne de traitement et de récupération en production : ingestion, découpage des documents, embeddings, indexation, recherche hybride et reranking Mettre en place un dispositif d'évaluation avec jeux de données de référence et tests de non-régression, afin que chaque évolution soit mesurée et non supposée Implémenter la CI/CD, la séparation des environnements, le versioning des prompts et des configurations, ainsi que les procédures de retour arrière Déployer le monitoring et l'observabilité : coût et consommation de tokens par requête, modes de défaillance, dérive, boucle de retour utilisateurs Garantir la conformité en matière de localisation des données, de gestion des accès, de traitement des données personnelles et de piste d'audit, en cohérence avec les politiques groupe et la gouvernance des modèles Documenter la solution et assurer le transfert de compétences vers les équipes internes

1. Contexte et Objectifs de la Prestation Dans le cadre du départ d'un de nos Data Scientists internes, le client recherche un Data Scientist expérimenté en renfort externe pour assurer la continuité de nos projets stratégiques en intelligence artificielle. Cette mission de transition est cruciale pour maintenir l'avancement de nos initiatives innovantes en attendant le recrutement d'un collaborateur interne. Vous rejoindrez une équipe dynamique travaillant sur un projet d'IA Générative ambitieux et à fort impact au sein de la DSI/Valorisation Data & IA (VDI), en lien avec le Chief Data Officer du Data Office et en lien avec le Centre de Compétence IA/Ops qui se met en place et auquel vous participerez.

Data Scientist confirmé(e) pour reprendre et poursuivre un projet d'IA Générative à fort impact : le développement d'une solution capable de générer des pré-réponses aux e-mails des adhérents (demandes, réclamations, actes de gestion). Vos missions : Reprise et continuité d'un projet IA Générative existant Conception, entraînement et optimisation de LLM (Gemini/Vertex AI, Mistral) Optimisation d'un pipeline RAG en production (PGVector) Mise en œuvre de bonnes pratiques MLOps/LLMOps (CI/CD IA, monitoring, industrialisation) Déploiement sur environnement Cloud (Cloud Run) Collaboration étroite avec les équipes techniques, Product Owners et architectes Profil recherché : 5 ans d'expérience minimum en Data Science, dont une expérience significative en IA Générative/NLP Python avancé (Pandas, NumPy, Scikit-learn, TensorFlow/PyTorch, Hugging Face) Langchain/Langgraph, MLOps/LLMOps en production, PGVector Expérience Gemini/Vertex AI et/ou Mistral appréciée Autonomie, capacité à reprendre un existant rapidement, esprit d'analyse Une première expérience secteur assurance/mutuelle est un plus Poste basé en environnement sécurisé, méthodologie Agile, documentation en français.

Une institution publique nationale, à forte exigence de sécurité, construit sa propre plateforme d'intelligence artificielle sur des clusters GPU hébergés en interne, sans dépendre d'un cloud public. L'objectif : donner à ses équipes des outils d'IA puissants, sûrs et maîtrisés. Vous mettez en production des modèles, dont des LLM, sur une infrastructure GPU maîtrisée de bout en bout, et vous aidez les équipes à s'en servir. Vous rejoignez une petite équipe d'experts choisie avec soin : vos décisions techniques comptent, votre expertise est reconnue, et les usages que vous rendez possibles servent l'intérêt général. Missions : Déployer et exploiter des modèles (dont des LLM) sur les clusters GPU - Mettre en place et maintenir les chaînes MLOps : suivi d'expériences, pipelines, registre de modèles - Optimiser l'usage des GPU : profilage, quantification, partage de GPU - Accompagner les data scientists et les équipes utilisatrices - Assurer la veille technologique et recommander des évolutions - Documenter et suivre des indicateurs d'usage Mission longue : démarrage envisagé début 2027, 12 mois renouvelables, environ 200 jours par an. Une enquête administrative est requise avant intervention. Easy Partner est un cabinet de conseil technique spécialisé en informatique et industrie 4.0 : assistance technique, recrutement (plus de 3 000 recrutements pour plus de 500 clients) et formation certifiée Qualiopi.

Niveau d'expérience : Junior (1 à 3 ans) Type de poste : Ingénieur IA / MLOps Junior (H/F) Localisation : Région parisienne (hybride possible) Démarrage : Dès que possible. Contexte Dans le cadre du développement de ses activités Data & Intelligence Artificielle, un grand groupe du secteur des services financiers recherche un(e) Ingénieur IA / MLOps Junior pour rejoindre son équipe dédiée à la conception, l'industrialisation et le déploiement de solutions d'Intelligence Artificielle. Vous interviendrez sur des projets innovants à fort impact, couvrant aussi bien l'IA générative que les modèles de Machine Learning traditionnels, dans un environnement cloud et DevOps moderne. Vos missions En tant qu'Ingénieur IA / MLOps, vous aurez pour responsabilités de : Agir comme référent technique IA auprès des différentes parties prenantes : équipes projets, développeurs, architectes et métiers. Concevoir, développer, industrialiser et déployer des solutions d'Intelligence Artificielle de bout en bout. Participer à l'intégration de solutions IA développées en interne ou proposées par des éditeurs externes. Contribuer à la mise en place et à l'évolution de la plateforme IA (MLOps, monitoring, gouvernance, catalogue de modèles). Industrialiser les modèles développés par les équipes Data Science afin de garantir leur passage en production. Assurer le respect des bonnes pratiques de développement, d'exploitation et de gouvernance IA. Participer à la mise en conformité des projets avec les exigences réglementaires et les standards de sécurité des données. Profil recherchéCompétences comportementales Nous recherchons une personne : Orientée résultats et capable de respecter les délais fixés. Dotée d'un fort esprit d'équipe et d'une bonne capacité de collaboration. Rigoureuse, organisée et autonome. Capable de communiquer efficacement à l'écrit comme à l'oral. Force de proposition avec une approche pragmatique des problématiques. Curieuse et en veille permanente sur les évolutions technologiques. Disposant d'un niveau d'anglais professionnel permettant d'évoluer dans un environnement technique international. Compétences techniquesExpérience Première expérience réussie (1 an minimum) en Intelligence Artificielle et/ou IA Générative. Participation à un projet de mise en production ou d'industrialisation de solutions IA. Une expérience dans un environnement réglementé constitue un atout. Langages et développement Excellente maîtrise de Python. Connaissances en SQL. La maîtrise des technologies JavaScript constitue un plus. Cloud & Infrastructure Expérience sur un environnement cloud de type AWS : S3 SageMaker Bedrock Lambda API Gateway ECS / EKS EC2 OpenSearch Aurora DevOps & MLOps Bonne connaissance des outils et pratiques : GitLab Docker Kubernetes Airflow MLflow Artifactory APIs REST Hugging Face Frameworks d'orchestration d'agents IA Outils de monitoring et de gouvernance des modèles Écosystème IA & Machine Learning Maîtrise des bibliothèques et frameworks : Scikit-learn Pandas TensorFlow PyTorch Transformers LangChain LangGraph Connaissances des concepts suivants : Machine Learning supervisé et non supervisé Deep Learning RAG (Retrieval Augmented Generation) Fine-tuning de modèles Agentic AI et systèmes multi-agents Human-In-The-Loop (HITL) Monitoring et observabilité des systèmes IA Data & Bases de données SQL et NoSQL Bases vectorielles (OpenSearch, Redis, PGVector ou équivalent) Notions de bases orientées graphe appréciées Méthodologies Bonne pratique des méthodes Agile (Scrum, Kanban ou équivalent).

Vous intervenez au sein d'une Squad technique dont l'objectif est de concevoir, déployer et mettre en place des outils innovants en Data Science, MLOps et Intelligence Artificielle (IA) avancée. Cette Squad fournie également les socles applicatifs nécessaires, afin de permettre aux utilisateurs finaux de développer et exploiter des cas d'usage métiers Data avancé et IA. • Modernisation de l'offre Data Science & MLOPS actuelle (plateforme BigData, outils MLOPS Open source, ... ) • Cadrage et construction d'une plateforme Studio IA cible • Evolution du portail (WEB) de service Data et IA : intégration de nouvelles offres / fonctionnalités Taches : • Participe à la construction et au maintien de solutions IT évolutives, modulaires, innovantes, cohérentes avec leur écosystème et répondant au besoin métier. • Décline le cadre d'Architecture d'Entreprise(processus, normes, patterns …) et contribue à son évolution • Facilite la prise de décision de manière collaborative sur la meilleure architecture (conformité, sécurité, risques...), avec un juste équilibre entre le respect de la cible d'entreprise et la réponse pragmatique au besoin • Maitrise les objectifs visés par le cadre d'Architecture d'Entreprise et décrit des solutions qui s'y conforment et sont implémentables sous forme incrémentale dans les sprints • Participe à l'exploration continue (étude d'opportunité, cadrage) et aide à estimer l'effort et la valeur délivrée par les choix de designs éligibles pour favoriser la priorisation par le Product Owner et le Pôle Utilisateur (évolutivité, testabilité, déployabilité...) • Établir les priorités des tâches en fonction des besoins du projet et des objectifs stratégiques. • Évaluer et adopter de nouvelles technologies et méthodologies pour améliorer les processus MLOps, IA / LLMOPS et l'efficacité de l'équipe. • Suit et facilite la visibilité de la conformité des solutions de son périmètre par rapport à la stratégie d'entreprise • Responsable de la documentation produits en veillant à sa pertinence, fiabilité et sa cohérence avec les cadres de référence de l'architecture (processus, guides, patterns...) • Accompagner, superviser et encadrer une équipe technique, en fournissant une orientation technique, en fixant des objectifs et en assurant la montée en compétence des équipes internes

developpement un framework agentique dédié à la recherche et à l'expérimentation en Machine Learning, inspiré des approches DS-STAR et MLE-STAR de Google Research. Son architecture repose sur un cœur générique associé à des plugins spécialisés. Le système automatise notamment les activités suivantes : analyse et formalisation du problème ; proposition et priorisation d'expériences ; génération, exécution et correction du code ; validation expérimentale et évaluations rétrospectives ; études d'ablation et sélection robuste des modèles. La mission consiste à faire évoluer ce framework selon deux axes prioritaires, tout en garantissant la qualité scientifique, la reproductibilité des expérimentations et l'intégration des développements dans l'écosystème existant. Objectif 1 — Amélioration du plugin Event Forecasting : Consolider un plugin capable d'intégrer des événements dans les prévisions de séries temporelles, selon un protocole scientifique rigoureux. Les travaux porteront notamment sur : découverte, qualification et représentation structurée des événements ; modélisation de leur probabilité d'occurrence, de leur date de début, de leur durée, de leur intensité, de leur direction, de leur incertitude et de leur impact ; production de scénarios sans événement, central, optimiste, pessimiste et de stress ; intégration de méthodes statistiques, de Machine Learning et de Deep Learning adaptées ; prise en compte stricte de la date de publication des informations afin d'éviter toute fuite temporelle ; mise en place de tests placebo, d'évaluations rétrospectives événementielles et de comparaisons avec un modèle de référence sans événements ; amélioration de la robustesse, de la reproductibilité et de l'interprétabilité des résultats. Objectif 2 — Cas d'usage IoT : détection de pannes : Concevoir et intégrer dans RAFA un plugin dédié aux données IoT et à la maintenance prédictive. Les travaux porteront notamment sur : détection précoce des anomalies et des signaux précurseurs de panne ; estimation de la probabilité de panne et, lorsque les données le permettent, de la durée de vie utile restante ; exploitation de séries temporelles multivariées issues de capteurs, avec gestion des données manquantes, du bruit et des changements de régime ; comparaison d'approches supervisées, non supervisées, de détection d'anomalies et d'analyse de survie ; évaluation des modèles selon des protocoles temporels réalistes et mesure de leur capacité de généralisation à de nouveaux équipements ; production d'alertes explicables, hiérarchisées et exploitables par les équipes métier. Livrables attendus : plugins Event Forecasting et IoT intégrés, testés et documentés dans RAFA ; protocoles expérimentaux, jeux de tests, modèles de référence et résultats comparatifs reproductibles ; code source versionné, documentation technique et guide de prise en main ; synthèses des travaux, recommandations et présentation régulière des résultats ; transfert de connaissances vers les équipes internes. Critères de réussite : amélioration mesurable des performances par rapport aux modèles de référence ; absence de fuite temporelle et respect des protocoles de validation définis ; reproductibilité des expérimentations et traçabilité des résultats ; qualité, maintenabilité et intégrabilité du code livré ; appropriation des développements et de la documentation par les équipes internes.