[SCH] Ingénieur Application (MOA / Support Fonctionnel) - 1540

Overview

GIT est responsable de la conception, du développement et de la production du système d’information et des infrastructures techniques, Il définit les politiques de l’IT et coordonne leur mise en place. Le Client souhaite renforcer son équipe dédiée aux projets d'IA pour les marchés de capitaux. La prestation portera autour de nouveaux sujets relatifs à l'IA et IA Générative.

Responsibilities

• Conception et développement de modèles d'IA/IA Generative: préparation des données, feature engineering, entraînement, évaluation, versionnement, déploiement et monitoring.
• Sélectionner les modèles et les techniques les plus appropriés en fonction des données disponibles et des objectifs visés par les projets.
• Mise en place d'une infrastructure MLOps / LLMOps: définir et mettre en œuvre une architecture MLOps robuste pour assurer le cycle de vie complet des modèles d'IA et d'IA Générative, de la conception à la production.
• Automatiser les processus de développement, de déploiement et de monitoring des modèles.
• Garantir la qualité, la fiabilité et la scalabilité des modèles en production.
• Réalisation d'API Rest et développement en Python.
• Industrialisation des POC internes.
• Coordination avec les équipes Cloud Center of Excellence et d'infrastructure.
• Maintenance des embeddings.
• Documentation et handover au support.

Qualifications

• AWS – Une expérience avec SageMaker serait un atout.
• Développement d’API (API REST / gRPC) – Maîtrise de la mise en production (MEP) pour le Machine Learning.
• Bases en architecture IA Générative (RAG / Agents) – Excellente maîtrise du Machine Learning classique.
• Développement Python senior – Expertise en Python pour la création de pipelines ETL, Base de données, S3, Orchestration, versioning, (CI/CD) sur le cloud.
• Bonne connaissance des modèles ML / IA Générative et de leurs usages.
• Expérience de collaboration avec des profils Ops ou ML Ops.
• Expérience préalable en environnement CIB. Outils et méthodologies : ML Model Life Cycle, modèle registry, CloudWatch, Bedrock, SQL, Lambda, Athena, CodeBuild, SageMaker IA, S3, API Gateway, MLflow, Step Functions/Airflow, EC2.
• Expérience et connaissance des problématiques spécifiques à la finance des marchés serait un plus.