Description du poste
Contexte
Notre client est un acteur international de référence du secteur de l’hôtellerie, engagé dans un programme de transformation visant à accélérer la valorisation de son patrimoine data et à capter les opportunités de l’IA générative. Les cas d’usage couvrent des domaines critiques (marketing, finance, communication, achats, canaux de réservation directs) et combinent data science « classique » et GenAI, avec notamment le déploiement de multiples solutions RAG. Dans ce contexte d’innovation continue (POC MVP industrialisation), le client souhaite renforcer son dispositif d’expertise technique et sa capacité à livrer des solutions robustes et orientées valeur métier.
La mission s’inscrit dans une dynamique d’industrialisation de l’IA à l’échelle, avec une exigence élevée de qualité logicielle, de performance et de sécurité opérationnelle. Le besoin porte sur un profil senior capable de jouer un double rôle : (1) référent et challenger technique vis-à-vis des partenaires externes (ESN) afin de sécuriser les choix méthodologiques, l’architecture et la trajectoire de mise en production ; (2) contributeur hands-on sur des projets courts à moyens (RAG, fine-tuning de LLM, deep learning, automatisation), en assurant le passage du POC au produit.
Un élément clé du poste est la capacité à communiquer sur les enjeux business et la valeur métier des réalisations : expliciter l’impact attendu (ex. amélioration de la conversion sur les canaux directs, réduction du coût de traitement, amélioration de la qualité de service, gains de productivité), arbitrer avec des parties prenantes non-tech et aligner les solutions IA avec les priorités opérationnelles. L’objectif final est d’accélérer le time-to-value tout en garantissant la robustesse (monitoring, dérive, sécurité), la maintenabilité et l’adoption par les équipes métiers.
Missions
- Assurer un rôle de référent technique IA/GenAI au sein de l’équipe Data Science & AI et servir de point d’escalade sur les sujets complexes (architecture, performance, qualité, sécurité).
- Challenger et cadrer les projets portés par des partenaires externes : revue d’architecture, validation des approches (RAG, fine-tuning, évaluation), analyse des risques et recommandations actionnables.
- Concevoir et mettre en œuvre des POC et MVP orientés impact (RAG multi-sources, assistants métiers, automatisation), avec définition claire des critères de succès et du plan de passage en production.
- Définir des architectures GenAI adaptées : choix des patterns (RAG, agents, tool calling), stratégie d’indexation (vector store), gestion des sources (documents, bases de données), et intégration aux SI existants.
- Mettre en place/renforcer les pratiques LLMOps/MLOps : versioning (code, données, prompts), CI/CD, tests (unitaires, intégration, évaluation LLM), packaging (Docker), gestion des environnements, reproductibilité.
- Industrialiser et déployer sur le cloud (AWS prioritaire) : sécurisation, scalabilité, optimisation des coûts, observabilité (logs, métriques, traces), supervision de la qualité (drift, hallucinations, taux d’erreur).
- Définir et exécuter des stratégies d’évaluation GenAI : jeux de tests, métriques (qualité, pertinence, factualité), validation métier, et boucles d’amélioration continue.
- Traduire les besoins métiers en solutions techniques : ateliers de cadrage, formalisation des user stories, arbitrages entre valeur, délais, coûts et risques.
- Communiquer de manière structurée auprès de stakeholders non-tech : synthèses exécutives, démonstrations, documentation claire, mise en avant de la valeur générée et des limites/risques (conformité, confidentialité, biais).
- Contribuer ponctuellement à des cas d’usage de data science variés (prédiction, optimisation, computer vision) selon les priorités du portefeuille.
Outils & Environnement
- Python (écosystème ML/DS), bonnes pratiques de développement et qualité logicielle
- IA générative : RAG, LLM, fine-tuning (selon cas), prompt engineering et patterns d’orchestration
- LLMOps/MLOps : CI/CD, tests, monitoring, gestion des versions (modèles/données/prompts), reproductibilité
- Cloud : AWS (fortement valorisé), notions GCP/Azure appréciées
- Conteneurisation et outillage : Docker, Git, pipelines CI/CD
- Bases de données et requêtage : SQL ; intégration avec entrepôts/plateformes data (ex. Snowflake)
- Notions solides d’architecture : APIs, intégration SI, sécurité, performance, observabilité
- Machine Learning traditionnel et deep learning (capacité à intervenir sur des modèles non-GenAI si nécessaire)
Conditions de travail
- Date de démarrage : ASAP
- Durée : 6 mois (renouvelable)
- Localisation : Paris
- Télétravail : Hybride – 2 jours minimum de présentiel par semaine
- TJM : Selon profil
Profil recherché
Python (écosystème ML/DS), bonnes pratiques de développement et qualité logicielle
IA générative : RAG, LLM, fine-tuning (selon cas), prompt engineering et patterns d’orchestration
LLMOps/MLOps : CI/CD, tests, monitoring, gestion des versions (modèles/données/prompts), reproductibilité
Cloud : AWS (fortement valorisé), notions GCP/Azure appréciées
Conteneurisation et outillage : Docker, Git, pipelines CI/CD
Bases de données et requêtage : SQL ; intégration avec entrepôts/plateformes data (ex. Snowflake)
Notions solides d’architecture : APIs, intégration SI, sécurité, performance, observabilité
Machine Learning traditionnel et deep learning (capacité à intervenir sur des modèles non-GenAI si nécessaire)
Cadrage technique et pilotage de la delivery sur des cycles POC MVP production
Capacité à challenger des prestataires/partenaires : analyse critique, arbitrages, gestion des risques
Compréhension des enjeux métiers liés à l’hôtellerie et aux canaux digitaux (conversion, expérience client, productivité, coûts)
Aptitude à formaliser la valeur métier (KPIs, ROI, critères d’adoption) et à la relier aux choix techniques
Animation d’ateliers avec des stakeholders non-tech (métier, produit, opérationnels) et traduction en exigences techniques
Posture de consultant senior : pédagogie, structuration, sens du service et orientation résultats
Excellente communication (écrit/oral) et capacité à vulgariser des sujets complexes
Autonomie, rigueur, sens de la qualité et de la robustesse en production
Esprit collaboratif et capacité à travailler dans une équipe pluridisciplinaire et internationale
Proactivité et capacité à prioriser dans un environnement dynamique (innovation continue)