Ingénieur IA (H/F)

Ingénieur Intelligence Artificielle junior, profil technique ML/DL, chargé de concevoir, entraîner et évaluer des modèles IA robustes et fiables, intégrés à des systèmes critiques et contraints, avec un fort niveau d’exigence technique.

VOS MISSIONS PRINCIPALES :

Au sein d’équipes techniques pluridisciplinaires, l’ingénieur IA interviendra sur :

• La conception et l’implémentation de pipelines IA :

  • collecte, nettoyage et préparation des données,

  • feature engineering,

  • entraînement et validation des modèles.

• Le développement et l’amélioration de modèles :

  • machine learning classique,

  • deep learning selon les cas d’usage.

• L’évaluation des performances des modèles :

  • métriques adaptées,

  • généralisation,

  • robustesse,

  • gestion du biais et du bruit.

• L’amélioration continue des modèles existants :

  • tuning,

  • gestion du drift,

  • optimisation des performances.

• La contribution à l’industrialisation des modèles :

  • versioning des données et des modèles,

  • reproductibilité des expérimentations,

  • intégration dans des systèmes existants.

• La prise en compte de contraintes fortes :

  • données partielles ou sensibles,

  • environnements techniques contraints,

  • exigences élevées de fiabilité et de sécurité.

PROFIL RECHERCHE

Formation & expérience

• Formation ingénieur ou master en :

  • Intelligence Artificielle,

  • Machine Learning,

  • Data Science.

• 2 à 4 ans d’expérience (alternance et stages exclus).

• Doctorat non requis.

Compétences clés

• Solide socle en ingénierie IA / ML

• Capacité à implémenter des modèles de bout en bout

• À l’aise avec des données imparfaites (bruit, manque, hétérogénéité)

• Compréhension des contraintes systèmes (ressources, latence, stabilité)

Qualités personnelles

• Rigueur scientifique

• Esprit d’analyse

• Curiosité technique

• Capacité à documenter et expliquer ses choix

• Humilité face aux limites des modèles

TECHNIQUES

Langages & frameworks

• Python (indispensable)

• Bibliothèques scientifiques :

  • NumPy, Pandas,

  • Scikit-learn.

• Deep Learning :

  • PyTorch ou TensorFlow / Keras.

Concepts IA / ML

• Apprentissage supervisé et non supervisé

• Évaluation des modèles (precision, recall, F1, AUC, etc.)

• Overfitting / underfitting

• Cross-validation

• Feature engineering

• Gestion des jeux de données déséquilibrés

• Notions de robustesse et de biais

Outillage & bonnes pratiques

• Git

• Versioning des modèles / données (DVC ou équivalent apprécié)

• Structuration de pipelines reproductibles

• Bases d’intégration dans des systèmes applicatifs