Machine learning engineer confirmé·e (nlp/llm & computer vision)

Overview

Au sein de l’équipe Recherche et Machine Learning, vous concevrez, développerez et mettrez en production des modèles de Machine Learning, avec un focus sur le NLP, les LLMs ou la Vision par ordinateurs.


Responsabilités

* Concevoir et entraîner des modèles de ML/Deep Learning adaptés aux problématiques métier
* Intégrer et fine-tuner des LLMs (GPT, Qwen, LLaMA, Mistral…) pour des cas d’usage internes ou orientés produit
* Construire des pipelines RAG, des agents conversationnels ou des systèmes d’extraction d’information
* Développer des solutions de Computer Vision : détection d’objets, segmentation, OCR, classification d’images
* Industrialiser les modèles : packaging, API, monitoring des performances, détection de drift
* Collaborer étroitement avec les équipes Produit, Data Engineering et Backend pour intégrer les modèles dans nos services
* Mettre en place des benchmarks rigoureux et assurer la reproductibilité des expérimentations (MLflow, Weights & Biases…)
* Assurer une veille technologique active et proposer des approches innovantes
* Participer à la rédaction d’articles de recherche et de communications scientifiques


Stack technique

Python, PyTorch / TensorFlow, Hugging Face Transformers, LangChain / LlamaIndex, OpenCV, Docker, Azure, MLflow, Git


Expérience et formation

Expérience : 3 à 5 ans minimum en Machine Learning appliqué, hors stages et alternances

Formation : Bac+5 en informatique, mathématiques appliquées, data science ou équivalent (école d’ingénieur, Master, PhD apprécié)


Compétences

Maîtrise de Python et de l’écosystème ML (PyTorch ou TensorFlow). Expérience significative en NLP/LLM et/ou en Computer Vision. Solides bases en statistiques, algèbre linéaire et optimisation. Pratique du déploiement de modèles en production (API REST, conteneurisation, CI/CD). Familiarité avec les architectures Transformer et les techniques de fine-tuning.


Qualités humaines

Autonomie, rigueur scientifique et esprit critique. Capacité à vulgariser des sujets techniques auprès d’interlocuteurs non techniques. Goût pour le travail en équipe et la collaboration transverse. Curiosité et envie d’apprendre en continu.


Langues

Français courant, anglais professionnel


Les plus qui font la différence

Contributions open source ou publications scientifiques. Connaissance des problématiques de MLOps à l’échelle

#J-18808-Ljbffr