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

Les missions sont: 1- Conception et développement d’agents autonomes avec LangGraph : - Architectur des agents conversationnels ou décisionnels (ex: agents multi-outils, boucles de rétroaction, mémoire contextuelle). -Intégrtion des modèles de langage (LLMs) via LangGraph pour des tâches complexes (ex: raisonnement multi-étapes, orchestration de workflows). -Optimisation les stratégies de prompt engineering et les mécanismes de contrôle (ex: function calling, tool use, plan-and-execute). 2- Intégration avec des pipelines ML/MLOps existants : -Connection des agents LangGraph à des modèles custom (ex: fine-tuned LLMs, modèles de séries temporelles) via APIs ou pipelines. -Automatisation de versioning des agents et leur déploiement. 3- Ingénierie des données et features pour les agents : -Construction des pipelines de données pour alimenter les agents -Développement des mécanismes de mémoire (ex: bases de connaissances dynamiques). -Optimisation les coûts et la scalabilité (ex: caching des réponses, model distillation pour les edge cases). 4- Tests et robustesse : -Mise en place des tests automatisés pour les agents (ex: simulations de dialogues, injection de fautes). -Surveillance les dérives comportementales (ex: hallucinations, boucles infinies) avec LangSmith. -Documentation des limites et cas d’usage (ex: matrice de risques pour les décisions critiques). Compétences souhaitées: Expérience avancée avec LangGraph : -Maîtrise des composants clés : StateGraph, prebuilt tools, human-in-the-loop, et intégration avec des LLMs. -Expérience en déploiement d’agents en production. Python et écosystème IA : -Bibliothèques : langgraph, langchain, llama-index, pydantic. -Frameworks ML : PyTorch/TensorFlow (pour customiser des modèles si besoin).

Data Scientist Expert Python Versailles Pandas, NumPy, Scikit-learn, TensorFlow ou PyTorch, Matplotlib, et Seaborn, machine learning, Pour un client sur Versailles à raison de 3 jours de présence sur site par semaine , nous recherchons un Data Scientist Expert habilitable . Connaissance et expérience en programmation en langage Python, Niveau EXPERT demandé Connaissance et expérience en Bibliothèques et Librairies Python : Pandas, NumPy, Scikit-learn, TensorFlow ou PyTorch, Matplotlib, et Seaborn, Niveau EXPERT demandé Connaissance et expérience en modélisation : connaissance des techniques de machine learning, Niveau EXPERT demandé Connaissance et expérience en statistiques : compréhension des méthodes statistiques, notamment Kaplan-Meier et Weibull, Niveau EXPERT demandé Connaissance et expérience en déploiement : utilisation de GitLab, Niveau EXPERT demandé Capacité à communiquer : Capacité à expliquer des concepts techniques à des non-spécialistes Niveau confirmé attendu Capacité analytique : esprit d'analyse et capacité à résoudre des problèmes complexes, Niveau confirmé attendu Capacité d’autonomie : capacité à travailler de manière autonome tout en collaborant avec différentes équipes, Niveau confirmé attendu.

Date de démarrage : ASAP Date de fin : 25/06/2027 (Mission de longue durée) Localisation : Massy (Rythme : 2 jours par semaine sur site) Tarif Journalier Moyen (TJM) Max : 510 € HT Contexte et Mission : Au sein de l’ Analytics Factory , entité transverse qui conçoit et développe les services analytiques à forte valeur ajoutée pour soutenir la prise de décision stratégique, vous serez le moteur technique de la transformation digitale des points de vente physiques. Votre objectif principal consistera à concevoir, développer et déployer en production des modèles de Computer Vision innovants. Vous rejoindrez un projet d'envergure phare : le Monitoring Temps Réel de l'Étagère , visant à transformer les rayons physiques en flux de données exploitables pour optimiser l'excellence opérationnelle et l'expérience client. Livrables et Enjeux clés : Développer des solutions capables de comprendre parfaitement la disponibilité, la conformité des rayons et les mouvements des stocks via l'analyse d'images. Relever des défis de détection d'objets et de reconnaissance de produits à très grande échelle. Assurer l'industrialisation et le déploiement de ces modèles dans un environnement de production en temps réel. Compétences Techniques et Expertises Requises : Incontournables (Must have) : Langage : Maîtrise experte de Python . Cloud & MLOps : Expérience significative sur l'écosystème GCP (Google Cloud Platform) et l'utilisation de Vertex AI pour le cycle de vie des modèles. Algorithmes : Solides compétences en Deep Learning appliquées à la vision par ordinateur. Souhaitées (Nice to have) : Modèles de pointe : Connaissance et manipulation de modèles récents tels que YOLO , SAM (Segment Anything), DINOv2 pour le feature extraction ou équivalents. Recherche d'images : Expérience avec les bases de données vectorielles ( Vector Databases ) pour le matching et l'indexation de produits à grande échelle. Frameworks & Outils : Pratique courante de PyTorch , TensorFlow , OpenCV et des environnements conteneurisés ( Kubernetes ).

Dans le cadre du renforcement d'une équipe R&D spécialisée en innovation numérique et design computationnel, nous recherchons un(e) AI/ML Engineer pour intervenir sur des projets à forte composante scientifique et simulation numérique. Vous contribuerez au développement de solutions d'intelligence artificielle appliquées à la modélisation physique, à la prédiction de résultats de simulation et à l'accélération des processus de conception assistée par calcul. Vos missions Développer des modèles d'IA et de Machine Learning appliqués aux simulations physiques. Concevoir et industrialiser des pipelines d'entraînement, de validation et d'évaluation des modèles. Mettre en œuvre des approches de surrogate modeling afin de réduire les temps de calcul des simulations. Participer à la construction de solutions de Scientific Machine Learning. Travailler sur des modèles basés sur les Physics-Informed Neural Networks (PINNs). Structurer, préparer et exploiter des datasets issus de simulations numériques et de données géométriques. Collaborer étroitement avec des équipes multidisciplinaires composées d'ingénieurs, chercheurs et experts métier.

Au sein de l'équipe Data du client, vous serez le/la référent(e) technique sur l'ensemble du cycle de vie des projets data : Analyser des jeux de données complexes pour en extraire des insights stratégiques Concevoir et développer des modèles de Machine Learning et de Deep Learning Appliquer des méthodes statistiques avancées d'analyse de survie et de fiabilité (Kaplan-Meier, Weibull) Déployer les modèles en production via GitLab (CI/CD) Visualiser et restituer les résultats auprès des équipes métiers Collaborer avec les équipes techniques et non-techniques pour garantir l'impact opérationnel des solutions

Rejoignez une entreprise innovante dans le secteur des logiciels d'automatisation web à Bordeaux. Nous transformons notre produit phare avec une nouvelle version conversationnelle IA, intégrant des agents avancés. Intégrez une équipe dédiée composée du CTO, du CEO, et d'ingénieurs Fullstack et backend, pour travailler sur un projet de développement d'une V1 fonctionnelle de notre nouvelle plateforme IA, à réaliser en quelques semaines. Ce poste de ML Engineer est essentiel pour établir de nouvelles normes techniques et concevoir l'infrastructure IA de demain. Initialement basé à Bordeaux pour 6 mois, ce poste a la flexibilité de devenir remote en cas d'embauche en CDI. Missions Principales : - Concevoir, entraîner et adapter des modèles NLP et LLM hautement performants. - Mettre en place et superviser l'infrastructure ML (suivi de modèles, déploiement). - Collaborer avec l'équipe Fullstack AI pour intégrer vos modèles dans les produits finals. Annexes : - Soutenir l'introduction et l'utilisation de LLMs et de diverses techniques pour améliorer les systèmes IA. - Surveiller et améliorer en continu les modèles déployés, en assurant leur performance optimale.

Les missions sont: 1- Conception et développement d’agents autonomes avec LangGraph : - Architecture des agents conversationnels ou décisionnels (ex: agents multi-outils, boucles de rétroaction, mémoire contextuelle). -Intégrtion des modèles de langage (LLMs) via LangGraph pour des tâches complexes (ex: raisonnement multi-étapes, orchestration de workflows). -Optimisation les stratégies de prompt engineering et les mécanismes de contrôle (ex: function calling, tool use, plan-and-execute). 2- Intégration avec des pipelines ML/MLOps existants : -Connection des agents LangGraph à des modèles custom (ex: fine-tuned LLMs, modèles de séries temporelles) via APIs ou pipelines. -Automatisation de versioning des agents et leur déploiement. 3- Ingénierie des données et features pour les agents : -Construction des pipelines de données pour alimenter les agents -Développement des mécanismes de mémoire (ex: bases de connaissances dynamiques). -Optimisation les coûts et la scalabilité (ex: caching des réponses, model distillation pour les edge cases). 4- Tests et robustesse : -Mise en place des tests automatisés pour les agents (ex: simulations de dialogues, injection de fautes). -Surveillance les dérives comportementales (ex: hallucinations, boucles infinies) avec LangSmith. -Documentation des limites et cas d’usage (ex: matrice de risques pour les décisions critiques). Compétences souhaitées: Expérience avancée avec LangGraph : -Maîtrise des composants clés : StateGraph, prebuilt tools, human-in-the-loop, et intégration avec des LLMs. -Expérience en déploiement d’agents en production. Python et écosystème IA : -Bibliothèques : langgraph, langchain, llama-index, pydantic. -Frameworks ML : PyTorch/TensorFlow (pour customiser des modèles si besoin).

Tu rejoins une équipe pluridisciplinaire, en tant que ML Engineer, tu interviens sur l'ensemble du cycle de vie des features ML — de l'idée à la mise en production — en collaboration étroite avec les équipes back-end, front-end et produit. Parmi les sujets sur lesquels tu pourras contribuer : personnalisation des résultats de recherche / recommandations (nouveaux signaux, nouvelles architectures de modèles, A/B tests), refonte du système d'auto-complétion, amélioration des pipelines ML (automatisation, monitoring, observabilité), ou encore exploration proactive de nouvelles approches ML pour résoudre des problèmes utilisateurs concrets. Le poste est volontairement équilibré entre modélisation et industrialisation , dans un stack moderne : Python, PyTorch, TensorFlow, MLflow, Kubeflow, Airflow, KServe, AWS, FastAPI, Kubernetes