Tech Lead / Senior Machine Learning Engineer

1. Pilotage technique & leadership

Assurer le rôle de référence technique sur les sujets ML/LLM (RAG, IA générative, agents, orchestration de workflows).

Animer le chapter technique de l?équipe :
Organisation de rituels (tech talks, BBL, sessions de partage de bonnes pratiques).

Diffusion de standards d?architecture, de qualité de code et de sécurité.

Participer activement aux revues de PR (Pull Requests) et garantir un niveau élevé de qualité logicielle (lisibilité, tests, performance, sécurité).

2. Conception & industrialisation des solutions IA

Concevoir, développer et industrialiser des pipelines ML/LLM robustes et scalables :

Solutions RAG (indexation, vector stores, retrieval, re-ranking).

Agents et workflows complexes (orchestration, gestion de contexte)

Mettre en ?uvre une architecture logicielle solide, adaptée aux enjeux d?IA en production (patterns de microservices, event-driven, modularisation, etc.).

Structurer et maintenir un socle technologique d?innovation autour de l?IA (bibliothèques, templates de projets, guidelines, exemples réutilisables).

3. MLOps / LLMOps & Cloud

Définir et mettre en ?uvre les pratiques MLOps / LLMOps :
CI/CD pour modèles et services d?IA.

Monitoring, observabilité, gestion de dérive, suivi de performance des modèles.

Industrialiser les solutions sur des environnements containerisés :

Docker, Kubernetes et OpenShift (déploiement, scaling, gestion des ressources).

Contribuer à la mise en place d?un environnement Cloud cohérent avec les standards groupe.

4. Performance, sécurité & intégration

Optimiser la performance des services IA :
Latence, throughput, coût, consommation de ressources.

Benchmark des modèles et des différents backends (LLM, embeddings, vector stores).

Implémenter et/ou intégrer des mécanismes d?authentification et d?autorisation :

OIDC / OAuth 2.0, gestion des tokens, intégration avec l?écosystème IAM.

Veiller au respect des bonnes pratiques de sécurité, de confidentialité et d?IA responsable (gestion des données sensibles, traçabilité, explicabilité).

5. Accompagnement des Data Scientists & des métiers

Travailler en étroite collaboration avec les Data Scientists pour :

Transformer les prototypes en produits industrialisés.

Co-construire des API et services utilisables par les applications métiers.

Accompagner les équipes métier dans la compréhension et l?adoption des solutions IA :

Vulgarisation des solutions.

Intégration dans les processus d?aide à la décision.

Profil candidat:
Formation supérieure en informatique ou discipline apparentée (école d?ingénieurs, université).

Expériences significatives en industrialisation de modèles d?IA (ML & LLM) dans des environnements de production.

Excellente maîtrise de :
Python et les bonnes pratiques de Software Engineering.

Approches BDD, TDD, revues de code, conception de Clean Code.

Architectures logicielles (microservices, hexagonal, event-driven, etc.) et design patterns.

Maîtrise indispensable de :
LangChain, LangGraph.

Problématiques RAG (indexation, retrieval, ranking, gestion du contexte).

Pratique avancée de :
Docker, Kubernetes et idéalement OpenShift.

Environnements CI/CD et pratiques DevOps (pipelines d?intégration & déploiement, monitoring, logging).

Connaissances solides des mécanismes d?authentification / autorisation :

OIDC, OAuth 2.0.

Bonne culture MLOps / LLMOps, avec participation à la définition de bonnes pratiques au sein de l?entreprise.

Soft skills & posture

Forte orientation client et business : capacité à relier choix techniques et impact métier.

Leadership naturel, capacité à :
Fédérer et animer un chapter technique.

Faire monter en compétence l?équipe (mentoring, coaching).

Excellentes capacités de communication, clarté, pédagogie et assertivité.

Sensibilité aux enjeux d?IA responsable (éthique, biais, transparence, gouvernance).