NatWest Group est une organisation bancaire et de services financiers basée au Royaume-Uni, au service de clients particuliers, commerciaux et institutionnels. Ses activités couvrent la banque, la finance et les technologies financières, avec des services comprenant la banque commerciale, la gestion de patrimoine et la gestion des risques. Le groupe met également en avant ses relations avec ses clients et les communautés, ainsi que les opportunités offertes aux personnes qui construisent leur carrière au sein de ses équipes axées sur la banque et la technologie.
Vice-président ingénieur en apprentissage automatique chez NatWest Group, Bengaluru
Concevez des solutions d’IA générative, d’IA agentique et d’apprentissage automatique pour la production. Déployez des systèmes sécurisés et évolutifs grâce au MLOps, au cloud et aux pipelines de données.
Description
- Pilotez la conception et le déploiement de solutions d’IA et d’apprentissage automatique faisant appel à l’IA générative et aux techniques traditionnelles de ML.
- Faites office d’expert technique pour créer et déployer des systèmes de ML et d’IA prêts pour la production.
- Promouvez de bonnes pratiques d’ingénierie au sein de l’équipe.
- Traduisez les besoins de l’entreprise en solutions de ML et d’IA évolutives, en partenariat avec les scientifiques des données.
- Collaborez avec les scientifiques des données, les ingénieurs, les architectes et les parties prenantes de l’entreprise pour fournir des produits sûrs et fiables.
- Repérez les possibilités d’améliorer les plateformes, les outils et les capacités de livraison en ML et en IA.
- Créez, déployez et maintenez des solutions de machine learning, d’IA générative et d’IA agentique en production.
- Mettez en place des pratiques d’ingénierie ML et MLOps, notamment le CI/CD, les tests automatisés, le suivi des modèles et l’observabilité.
- Créez des pipelines de données évolutifs, des processus d’ingénierie des caractéristiques et des composants de plateforme réutilisables.
- Contribuez à la livraison itérative et à l’amélioration continue au sein d’équipes agiles et pluridisciplinaires.
- Respectez les normes d’ingénierie, de sécurité, de gouvernance, de gestion des risques et de réglementation tout au long du cycle de vie des logiciels et des modèles.
- Accompagnez vos collègues et assurez le leadership technique.
Exigences
- Expérience dans la conception, la création et le support de solutions de ML et d’IA en production dans un environnement d’ingénierie moderne.
- Un diplôme de premier cycle ou un master dans un domaine quantitatif, en ingénierie ou en informatique est souhaité, ou une expérience pratique équivalente.
- Solide expérience en ingénierie logicielle, notamment en développement cloud native, en ingénierie des données et en opérations de machine learning.
- Capacité à assurer le leadership technique, à faire respecter les normes d’ingénierie et à accompagner les autres.
- Capacité à gérer son travail de manière autonome, à prendre des initiatives et à agir de façon proactive.
- Expérience avérée dans la mise en production de solutions complexes de ML et d’IA.
- Capacité à expliquer des concepts techniques à des publics techniques et non techniques.
- Solides compétences en ingénierie logicielle, notamment en programmation orientée objet, développement d’API, frameworks de test, contrôle de version et pratiques de développement actuelles.
- Expérience du développement, du déploiement et du support de solutions d’IA générative et agentique, y compris des frameworks d’orchestration, des méthodes d’évaluation et le suivi opérationnel.
- Expérience des méthodes traditionnelles d’apprentissage automatique.
- Expertise en MLOps, notamment le déploiement de modèles, le CI/CD, l’infrastructure as code, l’observabilité, le suivi des modèles et l’optimisation des performances.
- Connaissances de Docker et Kubernetes.
- Expérience avec AWS, Python, SQL et les technologies de traitement distribué des données.
- Excellentes compétences en communication orale et écrite.
- Une expérience complémentaire en RAG, recherche sémantique, bases de données vectorielles, graphes de connaissances, optimisation de la recherche, MCP, intégrations d’appels d’outils, évaluation des LLM, observabilité et suivi en production est appréciée.