IA Engineer

Visian recrute un·e IA engineer

Courbevoie | CDI

À propos de Visian

Société de conseil spécialisée en Innovation, Design Produit, Gestion de projet IT et Data , Visian accompagne les leaders du marché dans leur transformation digitale.

Dans le cadre de la forte croissance de l'un de nos clients dans le secteur des transports, nous recherchons un(e) IA Engineer.

Votre Mission : Passer les modèles d'IA de l'expérimentation à la production

Rattaché(e) au CTO, votre rôle sera de concevoir, développer et industrialiser des solutions basées sur l'Intelligence Artificielle (Machine Learning, Deep Learning, LLM/IA Générative) et d'assurer leur intégration fluide et performante dans les produits de l'entreprise.

Vos responsabilités s'articulent autour de 4 piliers :

• Développement & Optimisation IA : Sélectionner, fine-tuner et concevoir les algorithmes et architectures IA adaptés aux besoins métier.

• Industrialisation & MLOps : Déployer les modèles en production, automatiser leur réentraînement et monitorer leurs performances.

• Intégration Applicative : Exposer les fonctionnalités IA via des APIs scalables pour les équipes Software.

• Veille & Innovation : Expérimenter en continu les dernières avancées (LLMs, RAG, Agentic AI, vision/audio) pour créer de la valeur.

1. Conception, Fine-Tuning & Algorithmes

• Concevoir et développer des architectures IA / ML applicatives (NLP, LLMs, Vision par ordinateur, systèmes de recommandation).

• Sélectionner, adapter et fine-tuner des modèles open-source ou propriétaires (ex: Hugging Face, OpenAI, Mistral).

• Développer des architectures RAG (Retrieval-Augmented Generation) et intégrer des bases de données vectorielles (Pinecone, Qdrant, Milvus).

2. MLOps, Industrialisation & Mise en Production

• Mettre en place des pipelines MLOps pour automatiser l'entraînement, la validation et le versioning des modèles et des données (MLflow, DVC).

• Conteneuriser (Docker) et déployer les modèles sur des infrastructures Cloud scalables (GPUs/CPUs).

• Mettre en place le monitoring continu en production (dérive des données/data drift, dérive des performances, temps de réponse, coûts).

3. Développement Backend & Intégration

• Développer des APIs ultra-performantes et sécurisées (FastAPI, Python) pour exposer les modèles aux applications.

• Optimiser l'inférence des modèles pour réduire la latence et les coûts (ONNX, TensorRT, vLLM).

• Travailler en étroite collaboration avec les Data Engineers (accès aux données) et les Développeurs Backend.

• Environnement de travail stimulant et collaboratif

• Opportunités de développement professionnel

• Culture d'entreprise axée sur l'innovation

• Participation à des projets variés et enrichissants

• Possibilité d'évolution au sein de l'entreprise

Formation & Expérience

Formation : Bac+5 (École d'ingénieurs, Master IA / Data Science / Informatique). Expérience : 3 à 5 ans d'expérience en développement IA/ML avec une vraie culture de mise en production (Software Engineering + ML).

Compétences Clés (Hard Skills)

Écosystème IA & Frameworks : Maîtrise de Python, PyTorch ou TensorFlow, et des librairies de l'écosystème (Hugging Face, LangChain/LlamaIndex, Scikit-Learn).

IA Générative & Vector Databases : Expérience sur les modèles LLM, prompting/fine-tuning, architectures RAG et vector DBs (Qdrant, Pinecone, ChromaDB).

MLOps & Software Engineering : Maîtrise de Docker, des APIs (FastAPI), des pipelines CI/CD (GitLab CI / GitHub Actions) et du suivi de modèles (MLflow, Weights & Biases).

Cloud & GPU : Pratique du déploiement sur Cloud (AWS, GCP ou Azure) et optimisation du calcul sur GPU.

Savoir-être (Soft Skills)

Rigueur scientifique & Pragmatisme : Capacité à équilibrer l'état de l'art technologique et l'efficacité opérationnelle en production.

Pédagogie & Communication : Capacité à expliquer le fonctionnement et les limites d'un modèle d'IA à des profils non-techniques.

Curiosité & Agilité : Veille constante dans un domaine qui évolue très rapidement et faculté d'adaptation.

Anglais indispensable.

Les "Plus"

Expérience en optimisation d'inference (vLLM, Ollama, Quantization).

Notions de sécurité et d'éthique de l'IA (IA responsable, RGPD, gouvernance des données).