Description du poste
Ingénieur(e) AI/NLP (Recherche & Développement) Umbaji développe des technologies avancées pour répondre aux besoins concrets du continent africain. L'entreprise crée des modèles de langage (LLM) pour les langues locales et construit des services d'assistants intelligents. Sa vision : rendre l'IA accessible, utile et pertinente pour l'Afrique. Le poste est rattaché au CTO / Lead AI. L'objectif est de rendre l'IA accessible, utile et pertinente pour l'Afrique par la recherche constante et l'optimisation des modèles. Raison d'être Développer, entraîner et déployer des modèles d'intelligence artificielle appliqués à la voix et au langage (LLM, STT, TTS) adaptés aux langues africaines (Ewe, Mina, Kabyè) et aux secteurs clés (finance, santé, éducation, administration). L'ingénieur(e) AI/NLP assure la performance, la maintenance et l'innovation continue des systèmes pour garantir une qualité technique de niveau industriel. Missions principales Conception et entraînement des modèles : développer des modèles ASR (reconnaissance vocale), TTS (synthèse vocale) et LLM (NLP) pour les langues locales. Gestion du cycle de vie des données : piloter l'ingestion, le nettoyage et l'alignement des corpus (textes/audio) pour les domaines cibles (finance, santé, etc.). Garantir l'intégrité des données via des mécanismes de hashing/audit trail. Fine-tuning & Optimisation : adapter des architectures existantes (Whisper, VITS, FastSpeech, LLM) aux spécificités linguistiques locales, en optimisant le rapport qualité/latence. Évaluation et validation : maintenir les benchmarks (WER/CER, MOS, F1) et le « golden set » de référence pour les tests de régression automatisés (CI/CD). Déploiement et MLOps : intégrer les modèles dans des pipelines de production (CI/CD), assurer la traçabilité des versions (DVC/Git), le packaging (ONNX, Triton) et le monitoring en temps réel. Innovation & R&D : explorer et implémenter de nouvelles techniques (RAG, Compétences techniques requises Langages et frameworks : Python (PyTorch, TensorFlow ou JAX), maîtrise des bibliothèques de transformation (HuggingFace). Architectures NLP/Audio : expérience avérée avec les modèles sequence-to-sequence (Whisper, VITS, FastSpeech, Tacotron). Data & MLOps : gestion de datasets volumineux (DVC), conteneurisation (Docker, Kubernetes), suivi expérimental (MLflow, Weights & Biases). Environnement : Linux, scheduling GPU (...