Un data scientist qui adapte les modèles de langage à vos données : constitution de jeux annotés, fine-tuning, évaluation rigoureuse et suivi des expériences. Nous vous présentons des profils évalués en moins de 48h.
Par Claire Scepi · Mis à jour le
Le Data Scientist GenAI intervient sur le modèle lui-même. Là où l'AI Engineer construit des produits au-dessus de modèles accessibles par API, il prépare les données, entraîne ou adapte des modèles de langage ouverts (Llama, Mistral, Qwen, Gemma) avec PyTorch et Hugging Face Transformers, et mesure ce que cette adaptation apporte réellement.
Son quotidien tient autant de la donnée que du modèle : collecte et nettoyage des corpus, campagnes d'annotation, génération de données synthétiques contrôlées, fine-tuning efficace par LoRA ou QLoRA, alignement par préférences (DPO), distillation d'un grand modèle vers un modèle plus petit. Chaque expérience est tracée dans MLflow ou Weights & Biases pour rester reproductible.
Le fine-tuning n'est pas toujours la bonne réponse : un bon prompt, un RAG bien conçu ou un modèle plus récent suffisent souvent. Le Data Scientist GenAI que nous recherchons sait le dire, chiffres à l'appui, et réserve l'entraînement aux cas où il apporte un gain mesurable en qualité, en coût d'inférence ou en souveraineté des données.
Les besoins que les entreprises confient le plus souvent à ce profil.
Définition du schéma d'annotation et des consignes, pilotage des annotateurs internes ou externes, mesure de l'accord entre annotateurs et contrôle qualité, sur Label Studio ou Argilla.
Adaptation d'un modèle ouvert à un vocabulaire, un format ou une tâche spécifique (classification, extraction, rédaction normée) par LoRA ou QLoRA, avec comparaison systématique au modèle de base et à une approche par prompt.
Entraînement d'un petit modèle à partir des sorties d'un grand modèle pour réduire le coût et la latence d'inférence, ou pour permettre un hébergement sur site lorsque les données ne doivent pas sortir.
Jeux d'évaluation métier, métriques automatiques et revue humaine, analyse des erreurs par catégorie et détection des régressions entre deux versions de modèle.
Traçabilité des données, des hyperparamètres et des résultats dans MLflow ou Weights & Biases, registre de modèles et documentation permettant de réentraîner à l'identique.
Quantification, tests de performance avec vLLM ou TGI et transmission documentée aux équipes MLOps qui déploient et surveillent le modèle.
Les technologies qui reviennent le plus dans les missions de data science générative en 2026.
Ce qui nous distingue
Après une préqualification de quelques minutes, chaque candidat passe un entretien technique et comportemental mené par un ingénieur, en partie en partage d'écran. Nous examinons ses expériences, ses données et ses résultats réels.
Le problème de départ, les données utilisées, la méthode choisie et le gain mesuré par rapport au modèle de base. Nous attendons des chiffres sur ses propres projets, pas un tutoriel reproduit.
Comment il construit et contrôle un dataset annoté, évite les fuites entre entraînement et évaluation et traite les biais ou les déséquilibres du corpus.
Les métriques qu'il retient, la place de la revue humaine et la manière dont il démontre qu'un modèle fine-tuné fait mieux qu'un bon prompt ou qu'un RAG.
Le suivi de ses expériences dans MLflow ou un outil équivalent, le versionnement des données et sa capacité à réentraîner un modèle à l'identique des mois plus tard.
Sans pratique de l'IA illustrée et démontrée, nous ne donnons pas suite.
Tarifs
Ces montants sont des estimations du TJM constaté sur le marché freelance français, hors taxes. Nous communiquons le TJM exact avec les profils, sous 48h.
TJM moyen constaté sur le marché
700 €
Fourchette : 550 € à 900 € HT par jour
| Niveau | TJM marché HT | À savoir |
|---|---|---|
| ConfirméPréparation de datasets, annotation et fine-tuning encadré de modèles ouverts. | 600 € | |
| SeniorConduite autonome de projets de fine-tuning, d'évaluation et de distillation. | 700 € | |
| Expert LLM et NLPAlignement, entraînement à grande échelle et arbitrages de modèles pour plusieurs équipes. | 850 € |
Source : Estimation de marché établie en octobre 2026 à partir de baromètres publics de TJM freelance en France. Ce ne sont pas des montants facturés par Top Profil. · Le TJMètre, baromètre TJM Intelligence artificielle 2026 · Le TJMètre, statistiques TJM IA et Data 2026 · Free-Work, TJM Data scientist
FAQ
L'AI Engineer construit des produits au-dessus de modèles existants, le plus souvent accessibles par API : agents, RAG, assistants. Le Data Scientist GenAI travaille sur le modèle et ses données : annotation, fine-tuning, distillation et évaluation. Les deux profils collaborent souvent sur un même projet.
Le Data Scientist classique construit des modèles statistiques et d'apprentissage automatique sur des données tabulaires : prévision, scoring, segmentation. Le Data Scientist GenAI est spécialisé dans les modèles de langage et les données non structurées, avec des compétences propres sur l'entraînement de transformers, l'annotation de texte et l'évaluation de sorties génératives.
Pas toujours. Un prompt soigné ou un RAG bien construit suffisent dans de nombreux cas. Le fine-tuning se justifie pour un format ou un vocabulaire très spécifique, pour réduire le coût d'inférence en passant à un modèle plus petit, ou pour héberger un modèle sur site. Un bon Data Scientist GenAI commence par mesurer ces alternatives.
La maîtrise de PyTorch et de l'écosystème Hugging Face, la conduite d'un fine-tuning réel avec gain mesuré, la constitution de datasets annotés de qualité et le suivi rigoureux des expériences. Demandez-lui comment il a évité les fuites entre données d'entraînement et d'évaluation.
Les baromètres publics situent le TJM d'un data scientist confirmé autour de 600 € hors taxes, et celui des spécialistes LLM et NLP entre 760 et 1 000 € environ. Nous estimons la fourchette d'un Data Scientist GenAI confirmé à expert entre 550 et 900 € hors taxes. Nous communiquons le TJM exact avec les profils, sous 48h.
D'un accès à des GPU, en général chez votre fournisseur cloud, et d'un environnement de suivi des expériences comme MLflow. Les méthodes de fine-tuning efficaces (LoRA, QLoRA) réduisent fortement les besoins en calcul : un GPU récent suffit souvent pour adapter un modèle de taille moyenne. Nous précisons ces contraintes lors de la qualification du besoin.
Fiche rédigée par Claire Scepi, cofondatrice de Top Profil.
Publiée le , mise à jour le .
Échangeons 30 minutes sur votre besoin. Nous vous présentons des profils évalués en moins de 48h.
