ML Engineer - Quantum

A career in IBM Consulting is built on long-term client relationships and close collaboration worldwide. You’ll work with leading companies across industries, helping them shape their hybrid cloud and AI journeys. With support from our strategic partners, robust IBM technology, and Red Hat, you’ll have the tools to drive meaningful change and accelerate client impact. At IBM Consulting, curiosity fuels success. You’ll be encouraged to challenge the norm, explore new ideas, and create innovative solutions that deliver real results. Our culture of growth and empathy focuses on your long-term career development while valuing your unique skills and experiences. Vous intervenez dans un contexte d'expérimentation algorithmique (ML, optimisation, quantique) comprenant : Mise en œuvre des expérimentations — Implémenter les protocoles d'expérimentation définis en amont par les leads techniques (baselines, métriques, jeux de données) ; contribuer aux arbitrages méthodologiques dans une logique de décision collégiale. Modélisation classique de référence — Développer et optimiser les modèles classiques de référence (ex. gradient boosting, réseaux de neurones, solveurs d'optimisation combinatoire CPLEX) servant de point de comparaison — un volume de travail significatif du poste, indépendamment de toute brique quantique. Optimisation combinatoire — Développer et benchmarker des approches d'optimisation classique (CPLEX) et quantique (QAOA, VQE via Qiskit) sur des problèmes combinatoires, au même titre que les problématiques de type ML. Prototypage hybride quantique-classique — Implémenter des briques de feature mapping quantique, de circuits paramétrés (QML) et de pipelines hybrides sous Qiskit, en collaboration avec les chercheurs quantiques. Benchmarking honnête — Comparer systématiquement les performances quantique vs. classique (accuracy, robustesse, coût de calcul), en explicitant les limites liées à la simulation ou au bruit du hardware IBM Quantum. Reproductibilité & traçabilité — Versionner les expériences (code, données, hyperparamètres, résultats) pour garantir que chaque résultat soit ré-exécutable et auditable. Documentation scientifique — Rédiger des comptes-rendus d'expérimentation clairs, destinés aussi bien aux pairs techniques qu'à des audiences décisionnelles, sans survendre les résultats. Veille technique — Suivre l'évolution de l'écosystème Qiskit / IBM Quantum et des techniques d'optimisation classique pertinentes pour les cas d'usage explorés. Contribution méthodologique — Participer à l'amélioration des frameworks internes de benchmarking et d'évaluation classique/quantique de la Factory. Poste localisé à Strasbourg et ouvert à la mobilité / déplacement Mobile en France (retour le weekend) pour intervenir chez nos clients Machine Learning classique — Solide maîtrise des méthodes classiques (classification, boosting, réseaux de neurones) et de leur évaluation rigoureuse (validation croisée, gestion du déséquilibre de classes, etc.) — socle central du poste, au même titre que le volet quantique. Optimisation combinatoire — Notions solides d'optimisation combinatoire et maîtrise (ou forte appétence) pour CPLEX comme solveur classique de référence, en vue de construire des baselines pertinentes face aux approches quantiques (QAOA, VQE). Python scientifique — Python avancé — numpy, pandas, scikit-learn, PyTorch ou équivalent ; bonnes pratiques de code reproductible (notebooks propres, seed control, packaging léger). Stack quantique IBM — Compréhension des principes du QML et de l'optimisation quantique (feature maps, circuits paramétrés, variational algorithms) ; pratique de Qiskit et de l'écosystème IBM Quantum. Rigueur expérimentale — Culture du benchmarking scientifique : contrôle des biais, significativité statistique, esprit critique vis-à-vis de ses propres résultats. Outils — Git, gestion d'expériences simulateurs et accès hardware de l'écosystème IBM Quantum. A career in IBM Consulting is built on long-term client relationships and close collaboration worldwide. You’ll work with leading companies across industries, helping them shape their hybrid cloud and AI journeys. With support from our strategic partners, robust IBM technology, and Red Hat, you’ll have the tools to drive meaningful change and accelerate client impact. At IBM Consulting, curiosity fuels success. You’ll be encouraged to challenge the norm, explore new ideas, and create innovative solutions that deliver real results. Our culture of growth and empathy focuses on your long-term career development while valuing your unique skills and experiences. Vous intervenez dans un contexte d'expérimentation algorithmique (ML, optimisation, quantique) comprenant : * Mise en œuvre des expérimentations -- Implémenter les protocoles d'expérimentation définis en amont par les leads techniques (baselines, métriques, jeux de données) ; contribuer aux arbitrages méthodologiques dans une logique de décision collégiale. * Modélisation classique de référence -- Développer et optimiser les modèles classiques de référence (ex. gradient boosting, réseaux de neurones, solveurs d'optimisation combinatoire CPLEX) servant de point de comparaison -- un volume de travail significatif du poste, indépendamment de toute brique quantique. * Optimisation combinatoire -- Développer et benchmarker des approches d'optimisation classique (CPLEX) et quantique (QAOA, VQE via Qiskit) sur des problèmes combinatoires, au même titre que les problématiques de type ML. * Prototypage hybride quantique-classique -- Implémenter des briques de feature mapping quantique, de circuits paramétrés (QML) et de pipelines hybrides sous Qiskit, en collaboration avec les chercheurs quantiques. * Benchmarking honnête -- Comparer systématiquement les performances quantique vs. classique (accuracy, robustesse, coût de calcul), en explicitant les limites liées à la simulation ou au bruit du hardware IBM Quantum. * Reproductibilité & traçabilité -- Versionner les expériences (code, données, hyperparamètres, résultats) pour garantir que chaque résultat soit ré-exécutable et auditable. * Documentation scientifique -- Rédiger des comptes-rendus d'expérimentation clairs, destinés aussi bien aux pairs techniques qu'à des audiences décisionnelles, sans survendre les résultats. * Veille technique -- Suivre l'évolution de l'écosystème Qiskit / IBM Quantum et des techniques d'optimisation classique pertinentes pour les cas d'usage explorés. * Contribution méthodologique -- Participer à l'amélioration des frameworks internes de benchmarking et d'évaluation classique/quantique de la Factory. Poste localisé à Strasbourg et ouvert à la mobilité / déplacement Mobile en France (retour le weekend) pour intervenir chez nos clients * Machine Learning classique — Solide maîtrise des méthodes classiques (classification, boosting, réseaux de neurones) et de leur évaluation rigoureuse (validation croisée, gestion du déséquilibre de classes, etc.) — socle central du poste, au même titre que le volet quantique. * Optimisation combinatoire — Notions solides d'optimisation combinatoire et maîtrise (ou forte appétence) pour CPLEX comme solveur classique de référence, en vue de construire des baselines pertinentes face aux approches quantiques (QAOA, VQE). * Python scientifique — Python avancé — numpy, pandas, scikit-learn, PyTorch ou équivalent ; bonnes pratiques de code reproductible (notebooks propres, seed control, packaging léger). * Stack quantique IBM — Compréhension des principes du QML et de l'optimisation quantique (feature maps, circuits paramétrés, variational algorithms) ; pratique de Qiskit et de l'écosystème IBM Quantum. * Rigueur expérimentale — Culture du benchmarking scientifique : contrôle des biais, significativité statistique, esprit critique vis-à-vis de ses propres résultats. * Outils — Git, gestion d'expériences simulateurs et accès hardware de l'écosystème IBM Quantum. n/a France Data & Analytics Hybrid Professional Multiple Cities