Ingénieur Machine Learning / IA
Arval BNP ParibasRueil-MalmaisonJuin 2024 – Aujourd'hui
Intégration de l'équipe IA d'un acteur majeur de la location de véhicules et de solutions de mobilité afin de concevoir, déployer et industrialiser des systèmes de Machine Learning et d'IA générative à l'échelle internationale.
- Pilotage de la classification automatique d'e-mails sur 20+ boîtes mail réparties dans 2 pays différents.
- Refonte du code legacy en microservices Python optimisés et structurés.
- Développement d'un service d'extraction d'e-mails performant s'appuyant sur une orchestration asynchrone via Redis, Celery et FastAPI.
- Déploiement et maintien en conditions opérationnelles du système de classification NLP sur Kubernetes via Helm.
- Conception d'un assistant IA interne multi-départements et international de type GenAI / RAG, utilisé par plus de 600 utilisateurs sous une architecture multi-tenant.
- Développement de pipelines d'ingestion de documents et d'une recherche vectorielle hybride (dense/sparse) via Elasticsearch.
- Optimisation de la pertinence contextuelle de l'assistant par l'implémentation d'un mécanisme de re-ranking performant.
- Implémentation des services back-end de la solution avec Python et LangChain, puis création de tableaux de bord Metabase de pilotage.
- Développement d'une plateforme d'IA multi-agents pour l'outillage de l'ingénierie logicielle, connectée à Jira, Confluence et Bitbucket.
- Structuration d'une architecture pilotée par un agent orchestrateur et 3 agents spécialisés via LangGraph et MCP.
- Intégration d'une mémoire hybride (vectorielle Elasticsearch, graphe Neo4j, clé-valeur) et assurance de la traçabilité des appels LLM avec Arize Phoenix.
- Conception du pipeline MLOps global assurant le passage de la phase de Data Science (Domino) vers l'environnement IT (Kubernetes, GitLab CI, ArgoCD).
- Déploiement d'un serveur centralisé MLflow pour le suivi des expérimentations et le registre de modèles.
- Automatisation des processus de livraison au niveau L2 du modèle de maturité de Google MLOps, incluant des contrôles de qualité et le suivi de la dérive (Model Drift).
- Développement de pipelines ETL depuis des API internes vers une base PostgreSQL centralisée pour alimenter l'analytique.
- Migration de l'infrastructure cloud de VMware Tanzu vers ROKS (IBM Cloud) et déploiement de la stack ELK pour le tracing et l'observabilité.
Environnement technique
PythonFastAPIRedisCeleryNLPKubernetesHelmLangChainLangGraphElasticsearchMetabaseNeo4jArize PhoenixMLflowGitLab CIArgoCDJenkinsDockerIBM Cloud (ROKS)Stack ELKPostgreSQL.