Data Scientist

Contexte

La plateforme permet aux utilisateurs métiers de créer et de personnaliser des assistants et des workflows utilisant l'IA générative pour améliorer les processus et systèmes d'information (SI) existants.

Missions

• Exploration et évaluation des différents frameworks et protocoles d’échanges inter-agents, ainsi que de nouvelles technologies

• Collaboration active avec les équipes métiers pour comprendre leurs besoins et proposer des solutions transformatives basées sur de l’IA Agentic

• Développement en Python dans une architecture micro-services : développement, intégration, maintenance et évolution des composants techniques

• Maîtrise de Python et SQL/BigQuery ; packaging, gestion des dépendances, clean code

• Maîtrise des algorithmes de ML : classification, régression, clustering, deep learning

• Utilisation des frameworks ML : Scikit-learn, TensorFlow/Keras, PyTorch

• Compétences avancées en GenAI : LLM, RAG, fine-tuning, prompt engineering, évaluation et déploiement de modèles génératifs

• Connaissance des concepts clés : Generative AI, agents, assistants, hallucinations, biais, limites des modèles

• Expertise en agents intelligents : conception de workflows multi-agents, frameworks (ADK, GEMINI ENTREPRISE, …)

• Maîtrise des méthodes d'évaluation des agents et pipelines RAG (RAGAS, Langfuse, LLM as a judge)

Développement back-end & intégration

• Conception et développement d'API REST/JSON, architecture orientée objet

• Développement d'applications GenAI : intégration agents/RAG, gestion de prompts et templates, itération

• Tests automatisés, revue de code, observabilité (logs, métriques, traces), gestion des erreurs

Industrialisation & DevOps

• Maîtrise des pratiques DevOps/MLOps : CI/CD, Docker, Kubernetes, Git

• Mise en place et maintenance de pipelines (tests, qualité, déploiement) et gestion des environnements (dev/recette/prod)

• Architectures Cloud (GCP, AWS, Azure) et outils MLOps associés

• Monitoring et optimisation des performances de solutions IA en production

Collaboration & méthodes

• Capacité à cadrer un besoin, proposer une solution technique et estimer une charge

• Travail en mode Agile, interaction avec les parties prenantes produit

• Anglais courant (lecture de documentation, échanges techniques)

Conditions de travail

• Démarrage : ASAP

1. Maîtrise de Python et SQL/BigQuery ; packaging, gestion des dépendances, clean code
2. Maîtrise des algorithmes de ML : classification, régression, clustering, deep learning
3. Connaissance des frameworks ML : Scikit-learn, TensorFlow/Keras, PyTorch
4. Compétences avancées en GenAI : LLM, RAG, fine-tuning, prompt engineering, évaluation et déploiement de modèles génératifs
5. Connaissance des concepts clés : Generative AI, agents, assistants, hallucinations, biais, limites des modèles
6. Expertise en agents intelligents : conception de workflows multi-agents, frameworks (ADK, GEMINI ENTREPRISE, …)
7. Maîtrise des méthodes d'évaluation des agents et pipelines RAG (RAGAS, Langfuse, LLM as a judge)
8. Conception et développement d'API REST/JSON, architecture orientée objet
9. Développement d'applications GenAI : intégration agents/RAG, gestion de prompts et templates, itération
10. Tests automatisés, revue de code, observabilité (logs, métriques, traces), gestion des erreurs
11. Maîtrise des pratiques DevOps/MLOps : CI/CD, Docker, Kubernetes, Git
12. Mise en place et maintenance de pipelines (tests, qualité, déploiement) et gestion des environnements (dev/recette/prod)
13. Connaissance des architectures Cloud (GCP, AWS, Azure) et outils MLOps associés
14. Monitoring et optimisation des performances de solutions IA en production
15. Capacité à cadrer un besoin, proposer une solution technique et estimer une charge
16. Travail en mode Agile, interaction avec les parties prenantes produit
17. Anglais courant (lecture de documentation, échanges techniques)