> Markdown version of [/jobs/ext/2689077-data-scientist-expert-ia-h-f](https://www.wearedevelopers.com/jobs/ext/2689077-data-scientist-expert-ia-h-f). Every page supports `.md` or `Accept: text/markdown`. Links point to the HTML versions so they work for humans too. Agent guide: [/agents.md](https://www.wearedevelopers.com/agents.md).

---

# Data Scientist - Expert IA H/F

- **Company:** Vorstone
- **Location:** Nanterre, France
- **Experience:** Experienced
- **Contract:** Permanent contract
- **Skills:** Application Programming Interfaces (APIs), Artificial Intelligence, Automation of Tests, Microsoft Azure, Continuous Integration, DevOps, Python (Programming Language), Azure Service Bus, Large Language Models, Git, Fastapi, Pytest, Docker
- **Published:** September 3, 2026
- **Apply:** https://www.hellowork.com/fr-fr/emplois/82938455.html

## About the Role

Profil recherchéStack Technique- Langage : Python- Frameworks : FastAPI, Pydantic, Pytest, LangChain, Pydantic AI, OR Tools- Cloud : Azure (Azure OpenAI, Azure AI Search, Azure Service Bus)- Patterns IA : RAG, orchestration d'agents, évaluation LLM, prompt engineering, optimisation (logistique, réclamations)- Data Science : modélisation statistique/ML classique selon les sujets (optimisation, scoring, classification)- DevOps : Docker, CI/CD, GitProfil Recherché- Expérience : 2 à 5 ans en Data Science / AI Engineering, avec idéalement une expérience mêlant exploration (POC) et mise en production- Polyvalence : À l'aise pour passer d'un sujet d'optimisation logistique à un prototype d'agent conversationnel, sans perdre en rigueur- Atout : Expérience préalable sur des sujets d'agents LLM, de RAG et d'optimisation, Expérience : 2 à 5 ans en Data Science / AI Engineering, avec idéalement une expérience mêlant exploration (POC) et mise en production

 - Polyvalence : À l'aise pour passer d'un sujet d'optimisation logistique à un prototype d'agent conversationnel, sans perdre en rigueur

 - Atout : Expérience préalable sur des sujets d'agents LLM, de RAG et d'optimisation

EUR

Intelligence artificielle
Git
Python
Capacité d'adaptation
Statistiques
Docker

## Description

Exploration & Cadrage d'Initiatives IA

 - Identifier et évaluer la faisabilité de nouveaux cas d'usage IA en collaboration avec les métiers (ex. : gestion des réclamations, optimisation logistique)

 - Réaliser des POCs rapides pour valider une hypothèse technique ou métier avant d'investir dans une solution complète

 - Traduire des besoins métier ambigus en problématiques data/IA structurées, en proposant l'approche la plus pertinente (règles métier, ML classique, LLM/agents)

Développement & Prototypage

 - Concevoir et développer des prototypes d'agents IA (ex. : agent de recherche web) en s'appuyant sur les frameworks d'orchestration modernes (LangChain, Pydantic AI) ou des algorithmes de ML classique (classification) et d'optimisation

 - Explorer différentes architectures (RAG, agents, pipelines de traitement) selon la nature du problème et contraintes du projet

 - Itérer rapidement sur les prompts, les données et les architectures à partir de retours utilisateurs et de métriques

Mise en Production

 - Industrialiser les prototypes retenus : développement d'API robustes (FastAPI), gestion des cas limites, tests automatisés

 - Mettre en place des pipelines d'évaluation pour mesurer la qualité, la pertinence et la fiabilité des sorties IA

 - Contribuer à l'observabilité des solutions déployées (logs, traces, latences, taux d'erreur) et à leur montée en charge, Langage : Python

 - Frameworks : FastAPI, Pydantic, Pytest, LangChain, Pydantic AI, OR Tools

 - Cloud : Azure (Azure OpenAI, Azure AI Search, Azure Service Bus)

 - Patterns IA : RAG, orchestration d'agents, évaluation LLM, prompt engineering, optimisation (logistique, réclamations)

 - Data Science : modélisation statistique/ML classique selon les sujets (optimisation, scoring, classification)

 - DevOps : Docker, CI/CD, Git


## Related Videos

- [pytest: Simple, rapid and fun testing with Python](https://www.wearedevelopers.com/videos/213-pytest-simple-rapid-and-fun-testing-with-python)
- [From DevOps to Scaled DevOps: How We’re Rebuilding Continuous Delivery as a Platform](https://www.wearedevelopers.com/videos/100018-from-devops-to-scaled-devops-how-we-re-rebuilding-continuous-delivery-as-a-platform)
- [How a Small Team Shrank a Microsoft Monorepo by 94%](https://www.wearedevelopers.com/videos/1236-how-a-small-team-shrank-a-microsoft-monorepo-by-94)
- [Shipping Faster with Less: Render on Cloud Hosting, AI Workloads, and the Future of DevOps](https://www.wearedevelopers.com/videos/1894-shipping-faster-with-less-render-on-cloud-hosting-ai-workloads-and-the-future-of-devops)
- [Automagic Configuration in Python](https://www.wearedevelopers.com/videos/363-automagic-configuration-in-python)
- [DevOps Maturity Check – a way to balance autonomy and alignment](https://www.wearedevelopers.com/videos/58-devops-maturity-check-a-way-to-balance-autonomy-and-alignment)

## Related Articles

- [Navigating the AI Shift](https://www.wearedevelopers.com/magazine/629-navigating-the-ai-shift)
- [How to Become an AI Engineer](https://www.wearedevelopers.com/magazine/331-how-to-become-an-ai-engineer)
- [Dev Digest 137 - AI'm not sure about this](https://www.wearedevelopers.com/magazine/485-dev-digest-137-ai-m-not-sure-about-this)
- [Dev Digest 120 - Apple and peers](https://www.wearedevelopers.com/magazine/455-dev-digest-120-apple-and-peers)
- [Dev Digest 121 - AI goes offline](https://www.wearedevelopers.com/magazine/456-dev-digest-121-ai-goes-offline)
- [Best Companies to Work For in Paris: Top 25 Companies in 2023 ](https://www.wearedevelopers.com/magazine/190-best-companies-to-work-for-in-paris-top-25-companies-in-2023)