🧠 Conception & développement de modèles
- Définir les cas d’usage IA en collaboration avec l’équipe produit
- Concevoir, entraîner et évaluer des modèles de Machine Learning et Deep Learning
- Documenter les approches et résultats pour faciliter leur compréhension par l’équipe

📊 Collecte et préparation des données (Data Engineering)
- Identifier les sources de données pertinentes (internes et externes)
- Construire et maintenir des pipelines de données (ETL) robustes et automatisés
- Nettoyer, normaliser et enrichir les données pour les rendre exploitables
- Mettre en place un monitoring de la qualité et de la fraîcheur des données

⚙️ Industrialisation & déploiement
- Mettre en production les modèles via API et les intégrer dans notre plateforme
- Optimiser les performances (temps d’inférence, consommation ressources)
- Surveiller la dérive des modèles et déclencher leur réentraînement si nécessaire

🔍 Qualité & validation
- Définir les métriques de succès (précision, rappel, F1-score, etc.)
- Établir des plans de tests robustes pour valider les modèles avant leur mise en production
- Détecter et corriger les biais dans les données et les prédictions

🤝 Collaboration & transfert de compétences
- Travailler avec les développeurs backend pour intégrer les modèles dans la stack technique
- Collaborer avec l’équipe produit pour prioriser les cas d’usage à fort impact
- Partager les bonnes pratiques ML/IA et évangéliser l’équipe sur les capacités de l’IA

Tu es fait·e pour ce poste si :
- Tu as 5+ ans d’expérience en Machine Learning, IA ou Data Science.
- Tu maîtrises le Machine Learning (supervisé, non supervisé) et le Deep Learning
- Tu es à l’aise avec Python et ses bibliothèques (scikit-learn, pandas, PyTorch ou TensorFlow)
- Tu sais travailler avec des bases de données relationnelles (SQL) et gérer des datasets conséquents
- Tu es rigoureux·se et sais mettre en place des tests pour valider tes modèles
- Tu es orienté·e produit et cherches à avoir un impact concret sur l’usage final

Bonus :
- Expérience en détection de fraude ou maintenance prédictive
- Connaissance des techniques de Computer Vision ou NLP pour l’analyse de documents
- Expérience de mise en production de modèles (API, CI/CD, MLOps)
- Connaissance des enjeux de scalabilité, performance et coût dans l’IA en production

1. Premier échange
2. Mise en situation et tests
3. Entretien avec l’équipe
4. Entretien final avec le CEO / CTO