Scientifique En Ia Appliquée

Le Scientifique en IA appliquée est responsable de concevoir, entraîner, évaluer et améliorer des modèles AI/ML appliqués à des problématiques produit ou métier, tout en s'assurant que les solutions puissent être intégrées, opérées, monitorées et maintenues dans un contexte produit réel.
Responsabilités principales
Traduire un besoin produit ou opérationnel en problème AI/ML mesurable, avec hypothèses, critères de succès et limites d’usage.
Définir ou contribuer à l’architecture des modèles, aux approches AI/ML et aux choix techniques nécessaires à la solution.
Préparer, sélectionner ou spécifier les datasets, métriques, ground truth et stratégies d’évaluation nécessaires à l’entraînement et à la validation.
Entraîner, ajuster, améliorer et évaluer les modèles en analysant leurs performances, biais, limites et conditions d’utilisation.
Évaluer la scalabilité et la pérennité de la solution face aux volumes, usages, données, versions de modèles et contraintes futures du produit.
Définir les conditions de mise en production : seuils d’acceptation, métriques de succès, fallback, rollback et responsabilités humaines lorsque la confiance est insuffisante.
Documenter les hypothèses, résultats, contraintes et contribuer avec les équipes software/platform au monitoring post-déploiement : performance, dérive, qualité, incidents et amélioration continue.
Profil recherché
Formation universitaire en mathématiques appliquées, science des données, génie ou domaine quantitatif connexe avec maîtrise ou doctorat en IA ou expérience équivalente considérée.
Expérience significative (5+ ans) en conception, entraînement et évaluation de modèles AI/ML appliqués à des problèmes produit ou opérationnels réels, incluant le passage du prototype à une solution utilisable.
Maîtrise des langages, bibliothèques et frameworks de modélisation PyTorch, TensorFlow, ..., des outils de versionnement (Git) et de suivi d'expérimentations.
Rigueur méthodologique en évaluation : constitution de datasets et de ground truth, choix de métriques, seuils de succès, analyse des biais, de la robustesse et des limites d'usage.
Compréhension des conditions de mise en production et du cycle de vie des modèles : seuils d'acceptation, fallback, rollback, supervision humaine, monitoring de la performance et de la dérive.
Aptitude démontrée à documenter de façon claire hypothèses, résultats, contraintes et dépendances, et à vulgariser les limites d'un modèle auprès d'audiences produit et non techniques.
Capacité à collaborer étroitement avec les équipes Produit, Data (Data Scientist, Data Steward, Data Ops), Software et Platform/MLOps dans un environnement multidisciplinaire.
Bilinguisme français-anglais, à l'oral et à l'écrit.
Atouts
Expérience de mise en production de modèles et de collaboration avec des équipes MLOps ou Platform (CI/CD de modèles, gestion des versions, monitoring et réentraînement).
Expérience avec les plateformes d'entraînement et d'inférence (ex. AWS SageMaker, AWS Bedrock, Azure ML) ainsi que les approches LLM et IA générative (fine-tuning, RAG, évaluation de systèmes génératifs)
Connaissance des enjeux de gouvernance et de qualité des données ainsi que des pratiques de constitution et d'annotation de ground truth (interaction avec Data Steward et Data Scientist).
Sensibilité à l'IA responsable : explicabilité, équité, confidentialité, sécurité et conformité réglementaire des modèles déployés.
Expérience préalable en environnement produit technologique ou industriel (télécommunications, réseaux ou secteur connexe).
Contributions scientifiques ou techniques reconnues (publications, brevets, projets open source) ou veille active sur l'état de l'art.
#J-18808-Ljbffr