Data Scientist Max 500€

Compétences indispensables : Maîtrise des fondamentaux du Machine Learning : compréhension des concepts clés, des algorithmes et des méthodes d'évaluation o Excellente maîtrise de Python o Maîtrise des principales bibliothèques d’IA et de data science (PyTorch, TensorFlow, Scikit-learn) o Maîtrise des tâches de pré-traitement des données textuelles (parsing, expressions régulières, enrichissement (POS Tagging, dependency parsing), normalisation via lemmatisation ou stemming, correction orthographique) o Bonne compréhension des architectures de réseaux de neurones (notamment les RNN, LSTM, GRU), de transformer et du fonctionnement des LLM o Solide expérience dans la conception et l’implémentation de systèmes d’IA générative avancés basés sur des LLM o Maîtrise des architectures RAG et de leurs principaux composants (techniques de chunking, embeddings, indexation vectorielle, retrieval, reranking) o Maîtrise du prompt engineering avancé o Maîtrise des techniques et métriques d’évaluation NLP et LLM et des systèmes RAG o Maîtrise de l’analyse de factualité, robustesse et hallucinations des modèles o Maîtrise du déploiement de modèles IA dans des environnements cloud o Capacité à accompagner techniquement des datascientists o Capacité à restituer et communiquer efficacement les résultats des travaux menés en datascience et IA o Capacité à travailler en équipe o Gitlab : Connaissances de versionning et de partage de code (add, commit, push, pull, …) Compétences nécessaires : Maîtrise des services AWS utilisés pour les projets IA Générative (SageMaker, Bedrock, OpenSearch, S3) o Maîtrise de frameworks dédiés aux applications LLM (LangChain, LlamaIndex) o Expérience dans la conception de workflows LLM complexes (agents, orchestration de chaînes de prompts, tool use / function calling) o Maîtrise des techniques de fine-tuning de modèles (PEFT, LoRA, QLoRA) o Réalisation de projets dans l’environnement Dataïku o Gestion de la donnée dans un contexte réglementaire RGPD/AI Act o MLOps : expérience avec des outils et des pratiques pour automatiser le cycle de vie du ML, y compris l'intégration continue, le déploiement continu et la surveillance des modèles o Appétence à l’innovation et à la veille technologique : capacité à rester à jour avec les dernières avancées en IA o Proactivité et dynamisme o Aisance et rigueur rédactionnelle