AI Engineer senior - AWS, LLMOps

Contexte

Notre client, acteur international de référence dans le secteur de l’hôtellerie, a engagé un programme de transformation stratégique visant à accélérer la valorisation de son patrimoine data et à capitaliser sur les opportunités offertes par l’IA générative.
Ce programme couvre un périmètre métier étendu et critique – marketing, finance, communication, achats, canaux de réservation directs – et s’appuie sur des cas d’usage à la fois issus de la data science traditionnelle et de l’IA de nouvelle génération. Parmi les initiatives phares figure notamment la mise en place de multiples RAG.

L’équipe Data Science & AI – composée d’une vingtaine de talents aux expertises complémentaires (leadership technique, data scientists confirmés, profils seniors et juniors) – se positionne en partenaire stratégique des équipes métiers.
Les projets menés se caractérisent par une dynamique d’innovation continue : POC exploratoires, MVP ciblés, puis industrialisation à grande échelle avec une exigence élevée en termes de qualité, de robustesse et de performance opérationnelle.

Afin de renforcer ses capacités de cadrage technique et d’accélérer le déploiement de solutions IA/GenAI, notre client recherche un AI Engineer senior.

L’objectif est double :

• Apporter une expertise technique de haut niveau sur les projets confiés à des ESN partenaires pour challenger leurs choix techniques/méthodologiques.
• Contribuer directement en tant qu’ingénieur sur des projets courts (POC, fine-tuning de LLM, implémentation RAG, projets deep learning), en assurant leur industrialisation (passage de POC à produit).

Missions

• Assurer un rôle de référent technique sur les projets Data/IA, en particulier vis-à-vis des partenaires externes.
• Contribuer en tant qu’AI Engineer senior sur des projets de courte à moyenne durée (RAG, fine-tuning de modèles, deep learning, automatisation).
• Garantir la qualité et la pertinence des choix techniques, tant sur les aspects Data Science que sur l’architecture et l’intégration cloud.
• Interagir avec les équipes métiers pour traduire les besoins en solutions techniques concrètes.
• Participer à l’industrialisation des solutions IA (mise en place de bonnes pratiques MLOps, CI/CD, déploiement cloud).
• Challenger et cadrer techniquement les projets portés par des partenaires externes.
• Définir des architectures IA adaptées (GenAI, ML classique, automatisation).
• Concevoir et délivrer des POC et MVP (RAG, fine-tuning de LLM, modèles deep learning).
• Participer à l’industrialisation des solutions : mise en production, CI/CD, bonnes pratiques cloud & MLOps.
• Contribuer ponctuellement à des projets variés de data science (prédiction, optimisation, computer vision).
• Servir de point d’escalade technique pour l’équipe Data Science & AI.

Outils & Environnement

• Projets IA générative : RAG, LLM, fine-tuning
• Cloud : AWS (fortement valorisé), notions GCP/Azure appréciées
• Outils de développement et industrialisation : Git, Docker, SQL, MLOps
• Environnements Data Engineering : Snowflake, pipelines de données
• Méthodologies : CI/CD, bonnes pratiques cloud et MLOps
• Technologies : Machine Learning traditionnel, deep learning, GenAI

Conditions de travail

• Localisation : Paris – minimum 2 jours de présentiel par semaine
• Démarrage : ASAP
• Durée : mission initiale de 6 mois, renouvelable
• TJM : selon profil

1. +4 ans d’expérience en Data Science / Machine Learning / AI Engineering
2. Expérience confirmée sur des projets IA générative (RAG, LLM, fine-tuning)
3. Compétences solides en cloud (AWS fortement valorisé ; notions GCP/Azure appréciées)
4. Bonne maîtrise de Git, Docker, SQL, et de l’industrialisation des modèles (MLOps)
5. Capacité à naviguer entre contribution technique individuelle et cadrage technique
6. Bonnes bases en Data Engineering pour travailler sur des environnements variés (Snowflake, pipelines de données)
7. Connaissances généralistes en IA : ML traditionnel, deep learning, GenAI
8. AI Engineer senior / profil hybride entre Data Scientist et ML Engineer
9. Capacité à tenir une posture de consultant (cadrage technique, interaction métier)
10. Autonomie, rigueur et sens de la qualité logicielle
11. Bon relationnel et aptitude à travailler avec une équipe pluridisciplinaire
12. Capacité à s’intégrer dans une équipe expérimentée (moyenne 3-5 ans d’expérience)