> Markdown version of [/jobs/ext/3708665-data-scientist-ai-engineer-h-f](https://www.wearedevelopers.com/jobs/ext/3708665-data-scientist-ai-engineer-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 - ai Engineer H/F - **Company:** Cherrypick - **Location:** France - **Experience:** Experienced - **Contract:** Permanent contract - **Skills:** Application Programming Interfaces (APIs), Agile Methodology, Artificial Intelligence, Amazon Web Services, Microsoft Azure, Cloud Computing, Continuous Integration, Data Systems, Python (Programming Language), NumPy, Operational Databases, Scrum Methodology, SAP (Applications), SAP Plant Maintenance, SQL Databases, Pytorch, Retrieval-Augmented Generation, Large Language Models, Generative AI, Git, Fastapi, Pandas, Scikit Learn, Data Management, Machine Learning Operations, Docker, Databricks - **Published:** October 13, 2026 - **Apply:** https://www.hellowork.com/fr-fr/emplois/84334145.html ## About the Role Profil recherché5 ans minimum d'expérience en data science / AI engineering, dont au moins 2 ans sur des projets industriels avec des modèles déployés et maintenus en productionExpertise en Python et écosystème scientifique / ML (pandas, NumPy, scikit-learn, PyTorch)Compétences en modélisation de séries temporelles industrielles : détection d'anomalies, analyse multivariée, prévision, gestion de données capteurs bruitées et irrégulièresCapacité à concevoir des évaluations rigoureuses : métriques métier, baselines, arbitrage faux positifs / faux négatifs, reproductibilité des benchmarksMaîtrise de l'industrialisation de solutions ML : MLOps (MLflow ou équivalent), CI/CD avec Git / GitHub, packaging, supervisionMaîtrise de GenAI et systèmes agentiques : RAG, sorties structurées, appels d'outils, orchestration d'agents, évaluation et traçabilité des LLMConnaissance des plateformes cloud et data : Databricks, Azure et/ou AWS ; SQL ; APIs (FastAPI) ; DockerConnaissances appréciées en maintenance prédictive / conditionnelle, fiabilité (modes de défaillance, RCA), opérations de production oil & gasConnaissance des systèmes de données industrielles : PI / historians, Inmation, SAP PM, Cognite Data FusionConnaissance en IA documentaire / vision (P&ID, plans techniques)Usage critique de l'IA dans les pratiques de développement, sans déléguer la compréhension ni la responsabilité techniqueForte orientation métier : la performance d'un modèle n'a de valeur que par la décision qu'il amélioreCapacité à travailler avec les experts terrain (maintenance, fiabilité, production) et à expliquer résultats et limites à un public non techniqueRigueur scientifique et esprit critique ; capacité à challenger et à exprimer un désaccord de manière constructiveAutonomie, organisation et capacité à délivrer dans un contexte Agile (Scrum / Kanban)Esprit d'équipe, partage de connaissances et contribution aux standards de l'équipeFrançais courant et anglais professionnel, 1. 5 ans minimum d'expérience en data science / AI engineering, dont au moins 2 ans sur des projets industriels avec des modèles déployés et maintenus en production 2. Expertise en Python et écosystème scientifique / ML (pandas, NumPy, scikit-learn, PyTorch) 3. Compétences en modélisation de séries temporelles industrielles : détection d'anomalies, analyse multivariée, prévision, gestion de données capteurs bruitées et irrégulières 4. Capacité à concevoir des évaluations rigoureuses : métriques métier, baselines, arbitrage faux positifs / faux négatifs, reproductibilité des benchmarks 5. Maîtrise de l'industrialisation de solutions ML : MLOps (MLflow ou équivalent), CI/CD avec Git / GitHub, packaging, supervision 6. Maîtrise de GenAI et systèmes agentiques : RAG, sorties structurées, appels d'outils, orchestration d'agents, évaluation et traçabilité des LLM 7. Connaissance des plateformes cloud et data : Databricks, Azure et/ou AWS ; SQL ; APIs (FastAPI) ; Docker 8. Connaissances appréciées en maintenance prédictive / conditionnelle, fiabilité (modes de défaillance, RCA), opérations de production oil & gas 9. Connaissance des systèmes de données industrielles : PI / historians, Inmation, SAP PM, Cognite Data Fusion 10. Connaissance en IA documentaire / vision (P&ID, plans techniques) 11. Usage critique de l'IA dans les pratiques de développement, sans déléguer la compréhension ni la responsabilité technique 12. Forte orientation métier : la performance d'un modèle n'a de valeur que par la décision qu'il améliore 13. Capacité à travailler avec les experts terrain (maintenance, fiabilité, production) et à expliquer résultats et limites à un public non technique 14. Rigueur scientifique et esprit critique ; capacité à challenger et à exprimer un désaccord de manière constructive 15. Autonomie, organisation et capacité à délivrer dans un contexte Agile (Scrum / Kanban) 16. Esprit d'équipe, partage de connaissances et contribution aux standards de l'équipe 17. Français courant et anglais professionnel EUR Anglais Intelligence artificielle Kanban API Packaging SQL AWS Gestion des données Git Python Scrum Autonomie Docker ## Description Le ou la consultant(e) interviendra donc sur plusieurs cas d'usage au cours de la prestation, et non sur un produit unique, en lien avec les experts métier (maintenance, fiabilité, production, procédés), les équipes produit et les partenaires technologiques., Cadrer les cas d'usage avec les équipes métier et produit : traduire le besoin en problème data/IA, définir hypothèses, métriques métier et critères de succès. - Explorer et qualifier les données (séries temporelles, données de maintenance SAP, documents, données de production) et construire des jeux d'évaluation avec les experts. - Concevoir, développer et comparer des modèles face à des baselines métier solides (ML classique, méthodes statistiques, modèles de fondation pour séries temporelles, agents LLM). - Concevoir des briques GenAI / agentiques lorsque c'est pertinent (recherche sur cas historiques, extraction structurée, agents outillés), avec des résultats traçables. - Industrialiser : pipelines reproductibles, packaging, APIs, déploiement et supervision en production (MLOps / LLMOps), selon les standards de l'équipe. - Assurer le cycle de vie des modèles : suivi de performance, détection de dérive, réentraînement, documentation. - Restituer résultats et limites aux utilisateurs métier et au management, et contribuer aux recommandations go / no-go.