Senior AI Engineer
il y a 2 jours
Paris
Partnered accompagne plusieurs de leurs clients Startups / Scale-Ups dans la recherche de profils AI Engineer : Mission : Industrialiser l’IA pour automatiser, accélérer et fiabiliser les processus sur l’ensemble de la chaîne de valeur, du premier contact client jusqu’au delivery des événements (et l’amélioration continue post-event). Tu conçois des agents IA, des workflows et des produits data qui : • réduisent drastiquement le temps passé sur les tâches répétitives et à faible valeur ajoutée,, • améliorent la qualité d’exécution (moins d’erreurs, plus de cohérence, meilleur contrôle),, • augmentent la vitesse de réponse et la satisfaction client,, • rendent les équipes plus scalables, sans ajouter de complexité opérationnelle. Surtout, tu livres des solutions observables et pilotées par la donnée : monitoring, tracking d’usage, qualité, latence, coûts et impact business (temps gagné, baisse d’erreurs, adoption). Ce que tu feras concrètement 1. Concevoir et développer des agents et outils IA “production-ready” • Construire des agents IA et des workflows multi-étapes avec LangGraph (orchestration, state management, human-in-the-loop, retries), jusqu’en production., • Développer des assistants orientés métier (Sales / Ops / CS) : extraction et synthèse d’information, rédaction assistée, aide à la décision, automatisation de workflows., • Mettre en place les bons patterns : tool-calling, gestion de contexte, guardrails, sécurité / gestion des PII, maîtrise des coûts. 2. Développer la data fondation qui rend l’IA utile • Développer des pipelines de données et des intégrations entre les systèmes internes (BigQuery, MongoDB, APIs…)., • Fiabiliser la donnée : qualité, traçabilité, monitoring, modèles et métriques partagés. 3. Livrer en cycles Shape Up (orientés impact) • Participer au shaping (cadrage, identification des risques, découpage, définition du “done”)., • Collaborer étroitement avec le PM et les équipes internes pour garantir la valeur ajoutée et l’adoption. 4. Mesurer et itérer (adoption & ROI) • Définir et suivre des indicateurs : temps gagné, taux d’adoption, baisse d’erreurs, satisfaction interne., • Mettre en place une boucle de feedback continue et itérer rapidement. 5. Monitoring, tracking & performance (rigueur production) • Mettre en place l’observabilité des pipelines et des agents (logs, métriques, alerting, traces)., • Suivre les KPIs de performance : latence, taux d’erreurs, taux de fallback, stabilité, coûts par workflow., • Déployer une démarche d’évaluation (qualité LLM, hallucinations, précision d’extraction, conformité) avec dashboards d’usage., • Optimiser en continu : caching, batching, choix des modèles, tuning des prompts, amélioration des données 🚀 Pourquoi ce rôle est une vraie opportunité • Impact direct : chaque projet livré a un effet mesurable sur la productivité., • Ownership : influence sur l’architecture, les choix techniques, la standardisation des agents et la roadmap IA interne., • Cycle complet : shaping → build → déploiement → mesure → itération., • Environnement structuré : roadmap claire, cycles courts, utilisateurs réels., • Équipe ambitieuse : forte proximité produit, exécution rapide, culture du concret. Profil recherché 🧠 Expérience • Expérience confirmée dans la mise en production de projets data/IA (agents, automatisations, outils internes, data products…)., • Excellente maîtrise de Python (Pandas, FastAPI, intégrations, APIs, tests)., • Solides bases en SQL et en modélisation / manipulation de données., • Expérience en LLMs / NLP (OpenAI API, LangChain / LangGraph, Hugging Face, RAG…)., • Confort avec un environnement cloud data (BigQuery, GCP, MongoDB). 💡 Qualités personnelles • Autonome, rigoureux(se), orienté(e) impact., • Sens du produit : compréhension fine des besoins métiers et recherche de solutions efficaces., • Goût pour le delivery rapide et l’itération avec des utilisateurs. 🧰 Stack technique • Langages : Python (Pandas, FastAPI, LangChain, LangGraph), SQL, • Infrastructure : BigQuery, MongoDB, GCP, • IA : OpenAI API, Hugging Face, FAISS / Chroma, • Data Viz : Looker Studio, • Méthodologie : Shape Up adaptée (cycles 6–8 semaines, shaping collaboratif), • Observabilité : monitoring & alerting (logs / métriques), dashboards d’adoption & performance