Ingénieur IA (H/F)

CONTEXTE & OBJECTIF DU POSTE

• Dans un environnement technologique exigeant et fortement contraint, le client renforce ses équipes autour de l'Intelligence Artificielle appliquée, sur des systèmes critiques à forte responsabilité opérationnelle.
• L'objectif du poste est d'intégrer un ingénieur IA junior, très technique, capable de concevoir, entraîner, évaluer et améliorer des modèles IA, puis de contribuer à leur intégration dans des systèmes réels, avec une attention particulière portée à la robustesse, la fiabilité et la traçabilité.
• Le poste est orienté ingénierie IA concrète, loin des approches purement exploratoires ou théoriques.

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