Ingénieur IA Générative Confirmé

À propos du poste

Rejoignez l’avant‑garde de l’innovation en Intelligence Artificielle Générative. Vous intégrerez une équipe dédiée à la conception, l’industrialisation et le déploiement de solutions IA à fort impact business.

Missions principales

• Concevoir et implémenter des pipelines RAG avancés (chunking sémantique, re‑ranking, hybrid search) pour optimiser l’accès aux bases de connaissances documentaires.
• Développer et orchestrer des solutions Agentic AI (systèmes multi‑agents) capables d’automatiser des processus métiers de bout en bout.
• Sélectionner, fine‑tuner et intégrer des LLM adaptés aux cas d’usage, en privilégiant des modèles ouverts pour des déploiements souverains ou des API commerciales selon les exigences de sécurité.
• Industrialiser les modèles génératifs et les pipelines d’inférence, assurer le monitoring, la gestion du drift et l’évaluation continue de la qualité des réponses.
• Garantir la sécurité des applications IA et mettre en place les bonnes pratiques LLMOps et RAGOps.

Profil recherché

• Formation Bac+5 : diplôme d’ingénieur en informatique ou en intelligence artificielle.
• Minimum 3 ans d’expérience en tant qu’AI Engineer, Machine Learning Engineer ou Data Scientist, dont 1‑2 ans sur des projets d’IA Générative en production.
• Capacité à vulgariser des concepts techniques auprès de publics non‑techniques (C‑level, directions métiers).
• Orientation résultats, rigueur, autonomie et esprit de synthèse.

Compétences requises

• Maîtrise de Python et des fondamentaux du Machine Learning, Deep Learning et NLP.
• Expérience avec les LLM open‑source (Llama, Mistral, Qwen, Gemma) et commerciaux (GPT, Claude, Gemini).
• Frameworks d’orchestration : LangChain, LlamaIndex, Haystack.
• Frameworks multi‑agents : CrewAI, AutoGen, LangGraph.
• Bases de données vectorielles : Milvus, Qdrant, Pinecone, Weaviate, pgvector.
• Outils LLMOps/RAGOps : MLflow, LangSmith, TruLens, Ragas, Arize Phoenix.
• Déploiement et inférence : vLLM, Ollama, TensorRT‑LLM, Hugging Face TGI.
• Conteneurisation et orchestration : Docker, Kubernetes.
• Cloud public (AWS, GCP ou Azure) et bonnes pratiques CI/CD appliquées au Machine Learning.