> Markdown version of [/jobs/ext/2738193-data-scientist-ia-h-f](https://www.wearedevelopers.com/jobs/ext/2738193-data-scientist-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 IA H/F - **Company:** Anderson Rh - **Location:** Paris, France (Remote available) - **Experience:** Expert - **Contract:** Permanent contract - **Skills:** Application Programming Interfaces (APIs), Agile Methodology, Artificial Intelligence, Amazon Web Services, Microsoft Azure, Cloud Computing, Continuous Integration, Data Governance, DevOps, Integrated Development Environments, Python (Programming Language), Machine Learning, Natural Language Processing, NoSQL, Tensorflow, SQL Databases, Management of Software Versions, Planning Software, Google Cloud, Pytorch, Retrieval-Augmented Generation, Delivery Pipeline, Large Language Models, Prompt Engineering, Apache Spark, Deep Learning, Generative AI, Backend, Git, Pyspark, Scikit Learn, Information Technology, Data Management, Machine Learning Operations, GPT, Docker - **Published:** September 6, 2026 - **Apply:** https://www.hellowork.com/fr-fr/emplois/83085022.html ## About the Role TensorFlow, PyTorch, Scikit-learn - Python avancé, SQL - CI/CD, Git, Docker, MLflow, monitoring modèles - Cloud : AWS, Azure, GCP - NoSQL, Spark / PySpark - LangChain ou frameworks équivalents - Agents IA : LangGraph, CrewAI, AutoGen, OpenAI Agents SDK, MCP - Technologies : Machine learning, IA générative, Deep learning, NLP, MLOps, Profil recherchéFormation supérieure Bac +5 en : Data Science, Intelligence Artificielle, Informatique, Mathématiques appliquées8 à 10 ans d'expérience en Data Science / Machine Learning6 ans minimum d'expérience réussie sur des projets LLM / RAG / GenAI en productionMaîtrise des compétences techniques en Python avancé, SQL, et environnements de développement logicielExpérience en Machine Learning supervisé et non supervisé, Deep Learning, NLPMaîtrise des frameworks : PyTorch, TensorFlow, Scikit-learnExpérience obligatoire sur LLM (GPT, Mistral, Llama, Claude ou équivalents), Prompt engineering, Architectures RAG, Embeddings, Recherche vectorielle, LangChain ou frameworks équivalentsExpérience sur Agents IA : LangGraph, CrewAI, AutoGen, OpenAI Agents SDK, MCPConnaissance en Data Engineering : pipelines data, Spark / PySpark, bases SQL/NoSQL, traitements de données volumineusesMaîtrise souhaitée en MLOps / Cloud : Docker, CI/CD, Git, MLflow, monitoring modèlesConnaissance d'un ou plusieurs environnements Cloud : AWS, Azure, GCPAnglais professionnel obligatoireForte autonomie et capacité à prendre en charge un sujet de bout en boutEsprit d'initiative et capacité à proposer des solutions innovantesCapacité à vulgariser des concepts IA complexesSensibilité aux enjeux de qualité, sécurité et gouvernance des donnéesCapacité à travailler dans un environnement transverse avec équipes techniques et métiersCuriosité et veille technologique constante sur les évolutions GenAICapacité à évoluer dans un environnement Agile et international, 1. Formation supérieure Bac +5 en : Data Science, Intelligence Artificielle, Informatique, Mathématiques appliquées 2. 8 à 10 ans d'expérience en Data Science / Machine Learning 3. 6 ans minimum d'expérience réussie sur des projets LLM / RAG / GenAI en production 4. Maîtrise des compétences techniques en Python avancé, SQL, et environnements de développement logiciel 5. Expérience en Machine Learning supervisé et non supervisé, Deep Learning, NLP 6. Maîtrise des frameworks : PyTorch, TensorFlow, Scikit-learn 7. Expérience obligatoire sur LLM (GPT, Mistral, Llama, Claude ou équivalents), Prompt engineering, Architectures RAG, Embeddings, Recherche vectorielle, LangChain ou frameworks équivalents 8. Expérience sur Agents IA : LangGraph, CrewAI, AutoGen, OpenAI Agents SDK, MCP 9. Connaissance en Data Engineering : pipelines data, Spark / PySpark, bases SQL/NoSQL, traitements de données volumineuses 10. Maîtrise souhaitée en MLOps / Cloud : Docker, CI/CD, Git, MLflow, monitoring modèles 11. Connaissance d'un ou plusieurs environnements Cloud : AWS, Azure, GCP 12. Anglais professionnel obligatoire 13. Forte autonomie et capacité à prendre en charge un sujet de bout en bout 14. Esprit d'initiative et capacité à proposer des solutions innovantes 15. Capacité à vulgariser des concepts IA complexes 16. Sensibilité aux enjeux de qualité, sécurité et gouvernance des données 17. Capacité à travailler dans un environnement transverse avec équipes techniques et métiers 18. Curiosité et veille technologique constante sur les évolutions GenAI 19. Capacité à évoluer dans un environnement Agile et international EUR Machine learning Intelligence artificielle API Google cloud platform SQL AWS Gestion des données Git Création d'une base documentaire Pro-activité Python Autonomie Gouvernance des données Bases documentaires NoSQL Logiciels de gestion de versions TensorFlow Monitoring Docker ## Description Dans le cadre de l'accélération de ses initiatives autour de l'Intelligence Artificielle Générative, un client dans le secteur technologique recherche un Data Scientist GenAI / AI Engineer capable de concevoir, développer et industrialiser des solutions basées sur les LLM (Large Language Models). La mission s'inscrit dans des projets d'IA appliquée visant à automatiser des processus métiers, améliorer l'accès à la connaissance interne et développer des assistants intelligents. Le consultant interviendra sur l'ensemble du cycle de vie des solutions IA, en collaboration avec les équipes Data Scientists, Data Engineers, Cloud / DevOps et métiers. Missions - Compréhension des besoins métiers - Conception d'architectures IA - Développement de prototypes - Industrialisation et mise en production - Évaluation et amélioration continue des performances, Concevoir et développer des applications basées sur des LLM (GPT, Mistral, Llama, Claude ou équivalents) - Développer des assistants conversationnels et systèmes d'aide à la décision - Mettre en oeuvre des architectures RAG (Retrieval Augmented Generation) exploitant des bases documentaires internes - Concevoir des workflows agentiques avec orchestration d'outils et d'agents IA - Concevoir des pipelines de traitement documentaire : ingestion, nettoyage, chunking, génération d'embeddings, indexation vectorielle, retrieval et reranking - Mettre en place des solutions de recherche sémantique et optimiser la pertinence des réponses générées - Réduire les hallucinations des modèles grâce à des mécanismes d'évaluation et de contrôle - Développer des APIs et services backend autour des modèles IA - Transformer des POC en solutions production-ready - Mettre en place les bonnes pratiques : tests, versioning, documentation, monitoring, CI/CD - Participer au déploiement des solutions sur des environnements Cloud - Définir des métriques d'évaluation adaptées aux systèmes GenAI : qualité des réponses, pertinence du retrieval, précision, latence, coûts - Mettre en place des frameworks d'évaluation : RAGAS, LLM-as-a-Judge, benchmarks métiers - Réaliser des expérimentations pour améliorer les performances - Analyser les besoins utilisateurs et traduire les problématiques métiers en solutions IA - Présenter les résultats auprès d'interlocuteurs techniques et non techniques - Participer à la diffusion des bonnes pratiques autour de l'IA générative Livrables attendus Livrables fonctionnels : - Analyse des besoins métiers et identification des cas d'usage IA pertinents - Documentation des solutions proposées - Spécifications fonctionnelles et techniques Livrables techniques : - Prototypes et applications GenAI fonctionnelles - Architectures RAG documentées - Pipelines d'ingestion et d'indexation documentaire - APIs et services IA - Agents IA opérationnels - Scripts et notebooks d'expérimentation Livrables industrialisation : - Code source versionné - Documentation technique : architecture, déploiement, exploitation - Pipelines CI/CD - Métriques de suivi qualité et performance - Documentation des modèles et prompts Outils & Environnement ## Related Videos - [ Evaluating AI models for code comprehension](https://www.wearedevelopers.com/videos/1462-evaluating-ai-models-for-code-comprehension) - [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) - [Leveraging Real time data in FSIs](https://www.wearedevelopers.com/videos/806-leveraging-real-time-data-in-fsis) - [Introduction to Azure Machine Learning](https://www.wearedevelopers.com/videos/368-introduction-to-azure-machine-learning) - [Streaming AI Responses in Real-Time with SSE in Next.js & NestJS](https://www.wearedevelopers.com/videos/1630-streaming-ai-responses-in-real-time-with-sse-in-next-js-nestjs) - [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) ## Related Articles - [How to Become an AI Engineer](https://www.wearedevelopers.com/magazine/331-how-to-become-an-ai-engineer) - [Got AI ideas but no money? Here are 10 free ways to level up your AI skills with Google Cloud](https://www.wearedevelopers.com/magazine/600-got-ai-ideas-but-no-money-here-are-10-free-ways-to-level-up-your-ai-skills-with-google-cloud) - [From Prototype to Production: Build AI Agents with This Free 4-Course Learning Path](https://www.wearedevelopers.com/magazine/655-from-prototype-to-production-build-ai-agents-with-this-free-4-course-learning-path) - [What Industries Outside of AI Are Hiring The Most AI Experts?](https://www.wearedevelopers.com/magazine/98-what-industries-outside-of-ai-are-hiring-the-most-ai-experts) - [Graph and AI Trends 2026: Why Is AI Running but Not Yet Delivering?](https://www.wearedevelopers.com/magazine/680-graph-and-ai-trends-2026-why-is-ai-running-but-not-yet-delivering) - [Best Coding Boot Camps in Germany](https://www.wearedevelopers.com/magazine/237-best-coding-boot-camps-in-germany)