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 candidat 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

#J-18808-Ljbffr