Trouvez votre prochaine offre d’emploi ou de mission freelance Modélisation à Lille

1. Conception et Déploiement Industrialisation ML : Concevoir et maintenir des pipelines MLOps automatisés (CI/CD) pour l'entraînement et le déploiement des modèles de qualité des données. IaC & Reproductibilité : Gérer l'infrastructure cloud (IaC) et assurer le versioning des modèles, données (Feature Store) et pipelines (ZenML, MLflow). 2. Monitoring et Maintenance Observabilité/Alerting : Implémenter le monitoring (Drift, latence) et configurer des alertes pour les modèles 3P en production. Optimisation : Optimiser les ressources de calcul pour les modèles. 3. Collaboration et Qualité Conseil MLOps : Accompagner les Data Scientists sur les bonnes pratiques MLOps (tests, code quality). Data Quality Gates : Intégrer des validations de schémas et des "Data Quality Gates" dans les pipelines. Data Mesh : Contribuer à l'architecture Data Mesh en traitant les modèles comme des "Data Products".

Dans le cadre de la transformation digitale des processus RH pour notre client du secteur distribution/retail , nous déployons une plateforme RH globale , couvrant un HR Core et plusieurs modules de gestion des talents dans de nombreux pays. Pour assurer le succès de cette migration à grande échelle, nous recherchons un Data Steward expérimenté et organisé , intégré à l’équipe Data Governance People . Vous serez le lien entre les fournisseurs de données, les Data Owners et l’équipe Data Migration, avec pour objectif principal de préparer et garantir la qualité des données pour le Go-Live . Vos missions principales : Accompagner les équipes locales pour la collecte, extraction et intégration des données RH . Assurer la compréhension et le respect des templates de données , des formats et des standards de qualité. Vérifier les formats et contenus des fichiers collectés (contrôles d’intégrité, conformité aux types de données). Coordonner la collecte et le suivi des livraisons de fichiers de données. Assister les Data Owners et fournisseurs locaux pour identifier et corriger les anomalies détectées. Maintenir la documentation du data catalog incluant métadonnées, règles métier et data lineage. Collaborer avec les équipes techniques et digitales pour garantir le respect des normes de qualité et de sécurité des données (RGPD). Missions secondaires : Contribuer à la mise en place des standards et KPI de qualité des données. Participer à la formation et au support des équipes locales pour assurer l’adoption des processus de gouvernance des données.

Attention au respect du TJM Au sein d’un domaine dédié aux services digitaux et à la relation client, l’équipe conçoit et opère des solutions innovantes basées sur l’IA Générative, déployées à l’international. L’une des solutions majeures est un chatbot conversationnel GenAI à destination des clients finaux de plateformes e-commerce multi-pays. Le Développeur Backend GenAI intervient au sein d’une équipe agile (développeurs, Product Owner), en collaboration étroite avec des experts Data et Ops. Il est responsable de la conception, l’industrialisation, la maintenance et l’évolution de la couche backend qui alimente les agents virtuels GenAI, dans un environnement technologique en évolution rapide. Curiosité, autonomie, proactivité et capacité d’expérimentation sont essentielles pour réussir dans ce rôle. Responsabilités principalesDéveloppement applicatif & architecture Concevoir et développer des microservices Python orchestrant les conversations Garantir un code propre, testé, documenté et maintenable Participer aux décisions d’architecture applicative Intégration IA Générative (LLM) Implémenter et optimiser des workflows GenAI Concevoir et améliorer les prompts Gérer le contexte conversationnel Mettre en œuvre des stratégies de RAG (Retrieval Augmented Generation) Qualité & évaluation IA Mettre en place des pipelines d’évaluation automatique des réponses LLM Utiliser des approches de type LLM-as-a-Judge Suivre des métriques de pertinence et de fiabilité Observabilité & Run Instrumenter le code pour assurer la robustesse en production Surveiller : les latences, les erreurs, les coûts de tokens Exploiter des outils d’observabilité et de monitoring DevOps & exploitation Gérer les déploiements et l’infrastructure sur un cloud public Appliquer les bonnes pratiques : Git, CI/CD, tests unitaires et d’intégration