Trouvez votre prochaine mission ou futur job IT.

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.