AI Engineer / Data Scientist - Generative AI

Description du poste

1. Exploration et Préparation des Données

• Comprendre les enjeux métiers :
  • Collaborer avec les équipes métiers pour identifier les problématiques (ex : réduction des coûts, amélioration de l’expérience client, détection d’anomalies).
  • Définir des objectifs clairs et mesurables (ex : réduire le taux d’erreur de 20 %, améliorer le taux de conversion de 15 %).
• Explorer les données :
  • Collecte : Identifier les sources de données pertinentes (bases de données, APIs, fichiers plats, IoT, etc.).
  • Nettoyage : Gérer les valeurs manquantes, les doublons, les incohérences (outils : Pandas, PySpark, OpenRefine).
  • Analyse exploratoire (EDA) :
    • Statistiques descriptives (moyenne, écart-type, distributions).
    • Visualisations (Matplotlib, Seaborn, Plotly, Tableau).
    • Détection d’anomalies et de patterns (outils : Scikit-learn, AutoML).
• Feature Engineering :
  • Création de nouvelles features (ex : agrégations, encodages, transformations temporelles).
  • Sélection des features pertinentes (méthodes : correlation analysis, feature importance, PCA).
  • Optimisation pour les modèles (normalisation, scaling).

2. Développement de Modèles d’IA

• Choix des algorithmes :
  • Supervisé :
    • Classification : Random Forest, XGBoost, SVM, Réseaux de Neurones (pour la détection de fraudes, le scoring risque).
    • Régression : Linear Regression, Ridge/Lasso, Neural Networks (pour la prédiction de ventes, la maintenance prédictive).
  • Non supervisé :
    • Clustering : K-Means, DBSCAN, Hierarchical Clustering (pour la segmentation client).
    • Réduction de dimension : PCA, t-SNE, UMAP (pour la visualisation de données complexes).
  • Deep Learning :
    • Computer Vision : CNN (ResNet, YOLO), Vision Transformers (ViT) (pour la reconnaissance d’images, OCR).
    • NLP : Transformers (BERT, RoBERTa), RNN/LSTM (pour les chatbots, l’analyse de sentiments).
    • Séries temporelles : LSTM, Prophet, ARIMA (pour le forecasting).
    • IA Générative : LLMs (GPT, LLaMA), Diffusion Models (Stable Diffusion) (pour la génération de texte ou d’images).
  • Reinforcement Learning :
    • Q-Learning, Deep Q-Networks (DQN), Proximal Policy Optimization (PPO) (pour l’optimisation dynamique).
• Entraînement des modèles :
  • Préparation des jeux de données : Split train/test/validation, cross-validation.
  • Hyperparamétrage : Grid Search, Random Search, Bayesian Optimization (outils : Optuna, Hyperopt).
  • Évaluation :
    • Métriques : Accuracy, Precision/Recall, F1-score, ROC-AUC (classification) ; RMSE, MAE, R² (régression) ; BLEU, Perplexity (NLP).
    • Validation : A/B testing, backtesting.
• Optimisation :
  • Performance : Réduction de la latence, optimisation des ressources (quantization, pruning, distillation).
  • Explicabilité : SHAP, LIME, Captum (pour expliquer les décisions des modèles).
  • Biais et équité : Détection et correction des biais (outils : AIF360, Fairlearn).

3. Industrialisation et Déploiement des Modèles

• MLOps et Déploiement :
  • Versioning : Gestion des versions des modèles et des données (outils : MLflow, DVC, Git).
  • Pipeline CI/CD : Automatisation des tests et déploiements (outils : Jenkins, GitHub Actions, GitLab CI).
  • Déploiement :
    • Cloud : AWS SageMaker, Azure ML, Google Vertex AI.
    • On-premise : Docker, Kubernetes, FastAPI, Flask.
    • Edge : Déploiement sur des appareils IoT (TensorFlow Lite, ONNX Runtime).
  • Monitoring :
    • Suivi des performances (outils : Prometheus, Grafana, Evidently).
    • Détection de la dérive des modèles (data drift, concept drift).
    • Alertes et retraining automatique.
• Intégration avec les systèmes existants :
  • Collaboration avec les Data Engineers pour intégrer les modèles dans les pipelines de données.
  • Intégration avec les applications métiers (ERP, CRM, plateformes web/mobile).

4. Veille & Innovation

• Suivre les avancées en IA Générative :
  • Évaluation des nouveaux modèles (ex. : Gemini 1.5, Mistral 8x22B) et des techniques émergentes (agents autonomes, multi-modalité).

Qualifications

• Formation : Bac+5 en data science, informatique, ou mathématiques appliquées (école d’ingénieur ou master spécialisé en IA/ML).
• Expérience : 6 ans en développement IA/ML, avec une expertise avérée en :
  • Développement de modèles d’IA (au moins 5 projets complets en production).
  • Expertise dans plusieurs domaines d’application :
    • Computer Vision (ex : reconnaissance d’images, OCR).
    • NLP (ex : chatbots, analyse de sentiments, extraction d’informations).
    • Séries temporelles (ex : maintenance prédictive, forecasting).
    • Recommandation (ex : systèmes de recommandation personnalisés).
    • IA Générative (ex : génération de texte, d’images, ou de code).
  • Expérience en industrialisation :
    • Déploiement de modèles en production (cloud, on-premise, edge).
    • Collaboration avec des équipes MLOps/DevOps.
    • Intégration avec des systèmes métiers (ERP, CRM, etc.).
• Soft Skills :
  • Esprit d’innovation : Capacité à proposer des solutions créatives tout en respectant les contraintes industrielles.
  • Rigueur : Respect des bonnes pratiques (reproductibilité, documentation, tests).
  • Collaboration : Travail en équipe avec les data engineers, devops, et métiers.
  • Pédagogie : Explication claire des concepts GenAI à des non-experts.
• Langues : anglais technique.

Informations supplémentaires

Compensation: 45000 to 65000 (EUR) (YEARLY)