Jobs / France / Non renseigné

Non renseigné

Architecte IA Senior (H/F)

France Posted 2 days ago

View original listing ↗ Tailor my CV first Source: EURES (European Commission)

Listed on EURES (European Commission): the application continues on their site, which links to the employer. Optional: we can tailor a CV and cover letter for this job from your real experience first (the first one is free).

Skills this job asks for

PyTorchTensorFlowDeep learningLLMsData engineeringSQLCI/CDMachine learningCRMAWSAzureKubernetes

Add your CV (free) to see which of these your CV is missing.

Sponsorship verdict

No sponsorship evidence yet

No government record and no wording either way. Not a refusal: ask the recruiter.

  • No government sponsor record hereThis employer posted directly and does not match a government sponsor register.
  • The posting doesn’t mention sponsorshipSilence isn’t a refusal — ask the recruiter before investing much time.
  • Can’t check pay against the visa rulesWe don’t have visa salary rules for this country yet.
  • Confirmed live todayWhen a source last listed this job as open.
Details and sources

A verdict summarises public evidence. It is not legal advice and never a guarantee: the employer and the immigration authority decide. Sign in to factor in where you can already work.

Before you apply

Sponsorship unknown

No register record and no sponsorship wording in the posting. Worth asking the employer before investing significant time.

These come from the posting’s own wording. Read the original listing to confirm. See better-fit alternatives →

About the role

1. Stratégie et Vision IADéfinir la feuille de route IA pour le client :Identifier les cas d'usage prioritaires en fonction des enjeux métiers (ex : réduction des coûts, amélioration de la productivité, innovation produit).Évaluer la maturité IA du client et proposer un plan d'action (ex : migration vers le cloud, adoption de l'IA générative).Aligner les projets IA sur les objectifs business (ex : augmentation du chiffre d'affaires, optimisation des ressources).Veille technologique et réglementaire :Suivre les avancées en IA (ex : nouveaux modèles de langage, frameworks comme PyTorch ou TensorFlow, outils comme Hugging Face).Anticiper l'impact des réglementations (ex : RGPD, AI Act en Europe, normes sectorielles).2. Conception et Architecture des Solutions IADéfinir les architectures techniques :Choisir les modèles et algorithmes adaptés aux besoins :Supervisé : Classification (Random Forest, XGBoost), régression (Linear Regression, Neural Networks).Non supervisé : Clustering (K-Means, DBSCAN), réduction de dimension (PCA, t-SNE).Deep Learning : Réseaux de neurones (CNN pour la vision, RNN/LSTM pour les séries temporelles, Transformers pour le NLP).IA Générative : Modèles de langage (LLM comme BERT, GPT), diffusion models (Stable Diffusion).Concevoir des pipelines de données :Collecte (APIs, bases de données, IoT).Nettoyage et préparation (ETL, feature engineering).Stockage (Data Lakes, bases de données SQL/NoSQL).Traitement (batch vs. streaming).Intégrer les bonnes pratiques MLOps :Versioning des modèles (MLflow, DVC).Monitoring (Prometheus, Grafana, Evidently).Déploiement continu (CI/CD pour les modèles).Architecturer des solutions hybrides :Combiner IA traditionnelle (règles métiers) et IA avancée (ML/DL) pour des solutions robustes.Intégrer l'IA dans des systèmes existants (ERP, CRM, SCADA, etc.).Optimiser pour le edge computing (ex : déploiement de modèles légers sur des appareils IoT).3. Intégration et Déploiement des Solutions IAPiloter l'intégration technique :Collaborer avec les équipes IT, Data et Métiers pour déployer les modèles en production.Assurer la compatibilité avec les infrastructures existantes :Cloud (AWS SageMaker, Azure ML, Google Vertex AI).On-premise (Kubernetes, Docker).Hybride (cloud + edge).Optimiser les performances :Latence (inférence en temps réel).Scalabilité (gestion des charges de travail).Coûts (optimisation des ressources cloud).Garantir la conformité et la sécurité :Respecter les réglementations (RGPD, AI Act, normes sectorielles).Mettre en place des mécanismes de transparence :Explicabilité des modèles (SHAP, LIME, outils comme IBM AI Explainability 360).Auditabilité (logging, traçabilité des décisions).Sécuriser les données et modèles :Chiffrement (AES, TLS).Anonymisation (differential privacy, k-anonymity).Protection contre les attaques (adversarial attacks, data poisoning).4. Collaboration avec les Équipes Métiers et TechniquesTraduire les besoins métiers en solutions IA :Organiser des ateliers de co-conception avec les équipes métiers (ex : direction opérationnelle, marketing, R&D).Définir des KPIs mesurables (ex : réduction des temps d'arrêt, amélioration de la satisfaction client).Encadrer les équipes techniques :Guider les Data Scientists sur le choix des algorithmes et des données.Collaborer avec les Data Engineers pour optimiser les pipelines.Travailler avec les DevOps pour industrialiser les déploiements.Former et sensibiliser :Former les équipes métiers à l'utilisation des solutions IA.Sensibiliser aux enjeux éthiques et responsables de l'IA (biais, équité, transparence).5. Innovation et R&DExplorer de nouvelles technologies :IA générative (LLMs, diffusion models).Reinforcement Learning (pour l'optimisation dynamique).Federated Learning (pour la confidentialité des données).Prototyp

View original listing ↗