Ingénieur (e) IA Machine Learning Confirmé-e (H/F)

Participer à la montée en compétence collective : pair programming, mentoring possible. Profil recherché : 3+ ans d’expérience en IA / ML (contexte projet ou production). Très bonne maîtrise de Python (pandas, numpy.). Expérience avec au moins un framework ML : scikit-learn, PyTorch, TensorFlow. Solide compréhension des bases : statistiques, entraînement, métriques, validation. Capacité à livrer une solution IA en production (API, pipeline, batch.). Bon esprit de communication et sens produit / impact. Atouts appréciés (mais non obligatoires) Notions ou expérience MLOps : Docker, CI/CD, MLflow, monitoring. Expérience cloud : AWS / GCP / Azure GenAI / LLM : RAG, embeddings, prompt, LangChain, etc. Expérience en computer vision ou NLP Expérience en contexte conseil / multi-projets, * Connaissance approfondie en mathématiques

• Développement de produits basés sur l’IA
• Développer des algorithmes pour l’analyse de données
• Développer des modèles prédictifs pour l’analyse de données
• Optimiser les performances des systèmes d’IA

• Français

Savoir-être professionnels

• Faire preuve de créativité, d’inventivité
• Faire preuve de rigueur et de précision
• Organiser son travail selon les priorités et les objectifs

GoMind est une alternative aux ESN : un collectif où l’on agit avec l’esprit éveillé, guidés par la confiance, l’authenticité et l’énergie, pour explorer, décider et grandir ensemble. Tes responsabilités: Développement & modélisation Concevoir et entraîner des modèles de machine learning (supervisé / non supervisé) selon les cas d’usage. Développer des solutions IA appliquées à des données structurées, textuelles, ou images. Explorer des approches GenAI / LLM (RAG, assistants, automation) Industrialisation Mettre en production des modèles et solutions IA (API, batch, pipelines). Travailler sur la reproductibilité et la robustesse : versioning, tests, monitoring, retraining. Contribuer à améliorer l’infrastructure ML : pipelines, déploiement, monitoring, gestion des datasets. Collaboration Travailler avec les équipes produit / métier pour comprendre les besoins et proposer des solutions pertinentes. Documenter et partager les bonnes pratiques (revues, patterns, code quality).