Data scientist GenAI – LLM, RAG & AI engineering

Contexte : Dans le cadre de l’accélération de ses initiatives en Intelligence Artificielle Générative, notre client recherche un Data Scientist GenAI / AI Engineer pour concevoir, développer et industrialiser des solutions basées sur les LLM. Le consultant interviendra sur des projets d’IA appliquée visant notamment l’automatisation de processus métiers, l’accès à la connaissance interne et le développement d’assistants intelligents, de la phase de conception jusqu’à la mise en production.

Missions principales : ·        Analyser les besoins métiers et identifier les cas d’usage pertinents autour de l’IA générative. ·        Concevoir et développer des applications basées sur des LLM tels que GPT, Mistral, Llama ou Claude. ·        Développer des assistants conversationnels et des systèmes d’aide à la décision. ·        Concevoir et mettre en œuvre des architectures RAG et des solutions de recherche sémantique. ·        Développer les pipelines documentaires : ingestion, nettoyage, chunking, embeddings, indexation, retrieval et reranking. ·        Concevoir des workflows agentiques et orchestrer des outils et agents IA. ·        Développer des APIs et services backend autour des modèles IA. ·        Transformer les POC en solutions industrialisées et production-ready. ·        Mettre en place les pratiques de tests, versioning, CI/CD, monitoring et documentation. ·        Définir et mettre en œuvre des métriques et frameworks d’évaluation des solutions GenAI. ·        Optimiser la qualité des réponses, la pertinence du retrieval, la latence et les coûts, tout en limitant les hallucinations. ·        Participer au déploiement des solutions sur des environnements Cloud. ·        Présenter et vulgariser les solutions auprès des équipes techniques et métiers.

Livrables attendus : ·        Analyses des besoins et identification des cas d’usage IA. ·        Spécifications fonctionnelles et techniques. ·        Prototypes et applications GenAI fonctionnelles. ·        Architectures RAG et pipelines documentaires documentés. ·        APIs, services IA et agents opérationnels. ·        Scripts et notebooks d’expérimentation. ·        Code source versionné et pipelines CI/CD. ·        Documentation d’architecture, de déploiement et d’exploitation. ·        Métriques de qualité et de performance des solutions. ·        Documentation des modèles, prompts et dispositifs d’évaluation.