AI/ML Engineer: NLP, LLMs, MLOps & Generative AI

Brief IA; Levallois-Perret; On-site; EUR 65,000 - 90,000; Full time

Job summary

MIRAI, cabinet de conseil spécialisé en Data et Intelligence Artificielle, recherche un ML / AI Engineer pour concevoir et déployer des solutions d’IA auprès de clients variés. Vous développerez des solutions ML et NLP, et intégrerez des assistants IA générative avec des architectures RAG.

Vous aurez à mettre en place des services Python, des API, et assurer le déploiement en production via Docker et Kubernetes, avec des pipelines CI/CD et pratiques MLOps.

Qualifications

• Formation Bac+5 en informatique, data science, ML ou IA.
• Première expérience significative dans le développement et le déploiement de solutions d’IA, acquise en alternance.

Responsibilities

• Concevoir et développer des solutions de Machine Learning et NLP.
• Développer des assistants d’IA générative avec des modèles de langage et des architectures RAG.
• Mettre en place des services Python et des API pour intégrer les modèles aux applications métier.
• Déployer et maintenir les solutions d’IA en production avec Docker, Kubernetes et pipelines CI/CD.
• Participer à la mise en place de pratiques MLOps: suivi des expériences, gestion des versions des modèles, automatisation des déploiements et supervision.
• Développer des pipelines de traitement de données et assurer la fiabilité des solutions.
• Collaborer avec les équipes Data Science, IT et métier, et rédiger la documentation technique.

Skills

Python

SQL

NLP

Modèles de langage

IA générative

RAG

API development

CI/CD

MLOps

Équipe

Education

Master en Informatique / Data Science / ML / IA

Tools

PyTorch

scikit-learn

FastAPI

LangChain

Lang Graph

MLflow

Docker

Kubernetes

Job description

MIRAI, cabinet de conseil spécialisé en Data et Intelligence Artificielle, recherche un ML / AI Engineer pour concevoir et déployer des solutions d’IA auprès de clients variés. Vous développerez des solutions ML et NLP, et intégrerez des assistants IA générative avec des architectures RAG.

Vous aurez à mettre en place des services Python, des API, et assurer le déploiement en production via Docker et Kubernetes, avec des pipelines CI/CD et pratiques MLOps.