Role overview
- Contexte de mission
Dans le cadre du développement et de la structuration d’un pôle IA, nous recherchons un Tech Lead Machine Learning Engineer afin de garantir l’excellence technologique des solutions d’intelligence artificielle et accompagner la mise en production de produits IA complexes.
Le consultant jouera un rôle central dans la définition des standards techniques, des architectures ML/IA et des bonnes pratiques de développement, tout en accompagnant la montée en compétence des équipes techniques.
Il interviendra en collaboration étroite avec les équipes Data Science, Data Engineering et Product, dans un environnement multi-cloud et orienté MLOps.
Missions principales et rôle
Architecture & expertise IA
Définir et maintenir les standards d’architecture ML / IA
Concevoir et valider les pipelines ML/IA de bout en bout
Superviser les choix d’outils, frameworks et solutions cloud
Garantir la qualité technique des produits IA (performance, robustesse, sécurité, coûts, maintenabilité)
Industrialisation & mise en production
Sécuriser la mise en production des modèles d’IA
Mettre en place les bonnes pratiques MLOps et DevOps
Superviser le monitoring et l’optimisation des performances des modèles
Leadership technique
Accompagner les équipes en tant que référent technique et mentor
Participer aux phases de cadrage et de conception des produits IA
Contribuer à la définition de la roadmap technique et produit
Innovation & veille
Assurer une veille technologique sur les outils et méthodologies IA
Identifier et proposer des améliorations techniques et innovations
Objectifs
Garantir la qualité, la robustesse et la scalabilité des solutions IA
Structurer les standards d’architecture et de développement IA
Accompagner la mise en production et l’industrialisation des modèles
Compétences techniques requises
Intelligence artificielle
IA générative (LLM, Prompt Engineering, RAG, évaluation de modèles)
Conception de systèmes agentiques
Concepts avancés de Machine Learning et Data Science
Développement
Python (programmation orientée objet)
Développement d’API REST
Architecture microservices
DevOps / MLOps
Git / CI-CD
Docker / Kubernetes
MLflow
Monitoring et optimisation des performances des modèles
Cloud & infrastructure
Azure
Google Cloud Platform (GCP)
Infrastructure as Code : Terraform
Gouvernance IA
Scalabilité des systèmes ML
Sécurité et gouvernance des données et modèles IA
Optimisation des coûts (FinOps)