Critères de l'offre
Métiers :
- Machine Learning Engineer (H/F)
Secteur :
- Banque, Finance, Assurances
Diplômes :
- BEP
- + 2 diplômes
Lieux :
- Montpellier (34)
Conditions :
- CDI
- Salaire non précisé
- Temps Plein
L'entreprise : Crédit Agricole
Description du poste
Vous êtes Ingénieur MLOps/IAOps ? Devenez partenaire des grandes évolutions chez CA-GIP !
Qui sommes-nous ? Gérant 80% de la production informatique du groupe Crédit Agricole, nous formons une véritable communauté d'experts engagés. Nous mobilisons nos expertises afin de développer des plateformes et services adaptés aux nouvelles pratiques du digital tout en maintenant un haut niveau de confidentialité, et de sécurité.
CONTEXTE :
Vous intégrez au sein de CA-GIP l'équipe 'Tech Team Data/IA' du cluster BCR. Vous serez en charge de la mise à disposition, de la maintenance et de l'évolution d'un ensemble de services CA-GIP autour de l'IA générative et du machine learning (LLMaaS, GPUaaS, Dataiku, etc.)
MISSIONS :
En tant qu'ingénieur MLOps/IAOps, vos principales missions seront les suivantes :
- Assurer le suivi et l'exploitation des plateformes IA pour nos utilisateurs internes ;
- Accompagner la consommation des offres IA auprès du cluster et de notre client, incluant l'accompagnement pour l'exposition de modèles LLM, la gestion des ressources GPU via Run:AI, et le déploiement de solutions RAG ;
- Accompagner les équipes internes du cluster BPCR sur l'utilisation de ces plateformes, en assurant un support technique et méthodologique adapté à leurs besoins ;
- Créer et mettre à disposition des services automatisés via Python et GitLab-CI pour faciliter l'adoption et l'utilisation des solutions IA.
Vos compétences dans les domaines suivants seront mis à contribution :
- Data science, incluant une compréhension des cycles de vie des modèles (entraînement, évaluation, déploiement, monitoring) ;
- Scripting Python, orchestration API REST - Kubernetes (pods, services, namespaces, déploiements, etc.) et compréhension de son rôle dans l'hébergement et la mise à disposition de charges de travail IA ;
- Concepts d'IA générative (fine-tuning, transfer Learning, etc.), des architectures LLM et des patterns RAG ;
- Connaissance des notions liées au GPU (allocation, mémoire, optimisation) et des frameworks de serving de modèles (vLLM, TGI ou équivalent) ;
- Bonnes connaissances de l'environnement Linux et des pratiques DevOps/MLOps ;
- Familiarité avec des solutions de recherche vectorielle ;
- Services IA du cloud provider AWS.

