🧩 Data Scientist / AI Engineer – IA Générative, Agents IA & MLOps - Freelance

Description du poste

Taux journalier (TJM): 💶 Budget : 600 à 620 € HT/j (selon profil et séniorité)

🧩 Data Scientist / AI Engineer – IA Générative, Agents IA & MLOps

🗂️ Informations pratiques :

📍 Département : Paris (75)

🗓️ Démarrage : Août/Septembre 2026

⏳ Durée : 12 mois, reconductible

🧾 Contrat : CDI ou freelance

💶 Budget : 600 à 620 € HT/j (selon profil et séniorité)

🧑💻 Télétravail : 2 jours par semaine

🧠 Séniorité : 6 à 9 ans d’expérience

👤 Poste ouvert : 1

🌍 Secteur : Banque

🧩 Contexte :

Dans le cadre du développement de sa plateforme et de ses produits d’intelligence artificielle, un acteur majeur du secteur bancaire recherche un Data Scientist / AI Engineer capable de concevoir, industrialiser et exploiter des solutions d’IA à forte valeur métier.

La mission couvre l’ensemble du cycle de vie des produits IA : architectures RAG, systèmes multi-agents, intégration de modèles de langage, développement d’API, déploiement cloud, monitoring et évaluation des performances en production.

Le consultant interviendra également sur des cas d’usage de Machine Learning plus traditionnels liés notamment au risque, à la fraude, au marketing et au recouvrement, avec de forts enjeux de sécurité, de traçabilité, d’explicabilité et d’IA responsable.

🎯 Missions principales :

• Concevoir et développer des solutions d’IA générative, des architectures RAG sécurisées, des systèmes conversationnels et des workflows multi-agents.

• Intégrer et orchestrer des modèles de langage OpenAI, Azure OpenAI ou open source, incluant raisonnement, recherche documentaire et exécution d’actions.

• Industrialiser les solutions sous forme d’API et de services cloud, mettre en œuvre les pratiques MLOps / LLMOps et développer des composants réutilisables.

• Concevoir, maintenir et optimiser des modèles de Machine Learning pour des cas d’usage de risque, fraude, marketing ou recouvrement.

• Définir les métriques, mécanismes de monitoring et dispositifs d’évaluation permettant de garantir la qualité, la sécurité, la conformité et la traçabilité des solutions.

🛠️ Environnement technique :

• IA générative & Agentic AI : LLM, modèles de fondation, RAG avancé, agents IA, workflows multi-agents, Function Calling, Prompt Engineering, fine-tuning

• Frameworks GenAI : LangChain, LangGraph, Semantic Kernel, OpenAI, Azure OpenAI, Hugging Face

• Recherche sémantique & connaissances : Vector Databases, Azure AI Search, moteurs de recherche sémantique, recherche documentaire

• Data Science & Machine Learning : statistiques appliquées, apprentissage supervisé, régression logistique, XGBoost, LightGBM, SHAP, LIME

• Développement & APIs : Python avancé, FastAPI, services IA, composants réutilisables, tests automatisés

• MLOps & LLMOps : MLflow, CI/CD, Git, Docker, Kubernetes, gestion du cycle de vie des modèles

• Cloud & plateforme Data : Azure, Azure AI Foundry, Azure Machine Learning, Databricks, PySpark

• Monitoring & évaluation : observabilité, dérive des modèles, monitoring RAG, RAGAS, LLM-as-a-Judge, évaluations métier

• Sécurité & gouvernance : IA responsable, explicabilité, conformité, traçabilité, sécurité des applications IA

Profil recherché

👤 Profil recherché :

• Expérience confirmée de 6 à 9 ans en Data Science, Machine Learning et ingénierie de solutions IA.

• Solide maîtrise des LLM, des modèles de fondation, des architectures RAG avancées et des systèmes Agentic AI.

• Expérience dans la conception de workflows multi-agents, l’utilisation du Function Calling et l’orchestration de modèles de langage.

• Maîtrise du Prompt Engineering, du fine-tuning et des méthodes d’optimisation et d’évaluation des systèmes d’IA générative.

• Expérience des frameworks LangChain, LangGraph et/ou Semantic Kernel.

• Maîtrise des environnements OpenAI, Azure OpenAI, Hugging Face, des bases vectorielles et des moteurs de recherche sémantique.

• Solides compétences en statistiques appliquées et Machine Learning supervisé.

• Expérience des modèles de régression logistique, Gradient Boosting, XGBoost et LightGBM.

• Bonne maîtrise des approches d’explicabilité et d’IA responsable, notamment SHAP et LIME.

• Excellente maîtrise de Python et expérience du développement d’API avec FastAPI.

• Maîtrise des pratiques et outils MLOps / LLMOps : MLflow, Git, Docker, Kubernetes, CI/CD, tests automatisés et monitoring.

• Expérience des environnements cloud et Data : Azure, Azure AI Foundry, Azure AI Search, Azure ML, Databricks et PySpark.

• Capacité à définir les métriques de performance, à suivre les dérives des modèles et à évaluer la qualité des réponses générées avec RAGAS, LLM-as-a-Judge et des évaluations métier.

• Capacité à garantir la qualité, la fiabilité, la sécurité, la conformité et la traçabilité des solutions déployées.

• Aptitude à collaborer avec les équipes métiers sur des problématiques de risque, fraude, marketing ou recouvrement.