Tech Lead / Senior Machine Learning Engineer - Freelance (H/F)

Brief IA; Paris; On-site; EUR 130,000 - 150,000; Full time

Job summary

Brief IA recherche un expert ML/LLM pour piloter les sujets techniques et animer le chapitre IA de l’équipe. Vous concevrez et industrialiserez des pipelines ML/LLM robustes, y compris des solutions RAG et des workflows d’orchestration complexess.

Vous définirez les pratiques MLOps/LLMOps, mettrez en place des CI/CD pour modèles et services, et contribuerez à l’industrialisation sur des environnements containerisés (Docker, Kubernetes, OpenShift) en cohérence avec le Cloud du groupe.

Qualifications

• Expérience démontrée en ML/LLM et architectures IA en production.
• Conception et industrialisation de pipelines ML/LLM robustes.
• MAîtrise des pratiques MLOps et CI/CD pour modèles et services IA.

Responsibilities

• Piloter les aspects techniques ML/LLM et animer le chapitre technique.
• Concevoir et industrialiser des pipelines RAG et orchestration de workflows.
• Définir et mettre en œuvre des pratiques MLOps et supervision des modèles.
• Optimiser les performances et assurer la sécurité et l’intégration des services IA.

Skills

ML/LLM expertise

MLOps

Kubernetes

OpenShift

CI/CD

Tools

Docker

Kubernetes

OpenShift

Job description

Taux journalier (TJM): 620

1. Pilotage technique & leadership

• Assurer le rôle de référence technique sur les sujets ML/LLM (RAG, IA générative, agents, orchestration de workflows).
• Animer le chapter technique de l'équipe :
• Organisation de rituels (tech talks, BBL, sessions de partage de bonnes pratiques).
• Diffusion de standards d'architecture, de qualité de code et de sécurité.
• Participer activement aux revues de PR (Pull Requests) et garantir un niveau élevé de qualité logicielle (lisibilité, tests, performance, sécurité).

2. Conception & industrialisation des solutions IA

• Concevoir, développer et industrialiser des pipelines ML/LLM robustes et scalables :
• Solutions RAG (indexation, vector stores, retrieval, re-ranking).
• Agents et workflows complexes (orchestration, gestion de contexte)
• Mettre en œuvre une architecture logicielle solide, adaptée aux enjeux d'IA en production (patterns de microservices, event-driven, modularisation, etc.).
• Structurer et maintenir un socle technologique d'innovation autour de l'IA (bibliothèques, templates de projets, guidelines, exemples réutilisables).

3. MLOps / LLMOps & Cloud

• Définir et mettre en œuvre les pratiques MLOps / LLMOps :
• CI/CD pour modèles et services d'IA.
• Monitoring, observabilité, gestion de dérive, suivi de performance des modèles.
• Industrialiser les solutions sur des environnements containerisés :
• Docker, Kubernetes et Open Shift (déploiement, scaling, gestion des ressources).
• Contribuer à la mise en place d'un environnement Cloud cohérent avec les standards groupe.

4. Performance, sécurité & intégration

• Optimiser la performance des services IA :
• Latence, throughput, coût, consommation de ressources.
• Benchmark des modèles et des différents backends (LLM, embeddings, vector stores).
• Implémenter et/ou intégrer des mécanismes d'authentification et d'autorisation :
• OIDC / OAuth 2.0, gestion des tokens, intégra