data scientist / llm engineer senior (generative ai) - (h/f).

RANDSTAD Digital; Toulouse; Sur place; EUR 70 000 - 110 000; Plein temps

Avantages offerts par ce poste

Cybersécurité

Résumé du poste

RANDSTAD Digital recherche un expert en IA pour concevoir et réaliser le fine-tuning de modèles sous contraintes de ressources (PEFT, LoRA, QLoRA) et assurer leur alignement et déploiement. Vous consommerez des datasets, mettrez en place des cadres d’évaluation rigoureux et assurerez l’intégration via des moteurs d’inférence.

Compétent en Python/PyTorch, vous maîtrisez les techniques PEFT et les méthodes RLHF/RLAIF, avec une sensibilité cybersécurité pour les logs et la détection d’anomalies.

Qualifications

• Expérience démontrable en fine-tuning de modèles LLM avec contraintes de ressources.
• Maîtrise des frameworks Python/PyTorch et des techniques PEFT (LoRA, QLoRA).
• Connaissance des méthodes d’alignement et d’évaluation des modèles LLM.

Responsabilités

• Concevoir et réaliser le fine-tuning de modèles sous contraintes de ressources.
• Garantir la fiabilité des modèles via des méthodes d’alignement et anti-hallucination.
• Préparer des datasets et structurer les données pour l’apprentissage.
• Définir et déployer des cadres d’évaluation et benchmarks sur-mesure.
• Intégrer, optimiser et déployer les modèles via des moteurs d’inférence.

Connaissances

Python

PyTorch

PEFT

LoRA

QLoRA

RLHF

RLAIF

MLOps

Outils

Unsloth

Axolotl

TRL

verl

OpenRLHF

vLLM

Ollama

Triton

Description du poste

Vos responsabilités :

• Concevoir et réaliser le fine-tuning de modèles sous contraintes de ressources (PEFT, LoRA, QLoRA).
• Garantir la fiabilité des modèles en mettant en œuvre des méthodes d'alignement avancées et anti-hallucination (RLHF/RLAIF, DPO, GRPO, PPO).
• Structurer, formater et préparer des datasets pour l'apprentissage (ChatML, Alpaca).
• Définir et déployer des frameworks d'évaluationstricts (LLM-as-a-judge, MMLU, création de benchmarks sur-mesure) pour mesurer les performances.
• Assurer l'intégration, l'optimisation et le déploiement des modèles via des moteurs d'inférence.

L'environnement technique :

• Langages & frameworks : Python, PyTorch.
• Entraînement & PEFT : Unsloth, Axolotl, TRL.
• Alignement : TRL, verl, OpenRLHF.
• Inférence & déploiement : vLLM, Ollama, Triton.
• Bonus : Cybersécurité (SOC/CTI, MITRE ATT&CK, analyse de logs).