Ingénieur LLM - Annecy

Périmètre & Responsabilités

Pipelines RAG (Retrieval-Augmented Generation) : conception et mise en œuvre des stratégies de récupération, segmentation (chunking), reclassement (reranking) et recherche hybride. Les décisions sur le stockage et la couche vectorielle sont encore ouvertes ; vous y contribuerez. Ce travail s'inscrit dans la construction de systèmes RAG adaptés aux besoins des cas d'usage.

Architecture d'agents : modèles d'utilisation d'outils (tool use), flux de raisonnement en plusieurs étapes, conception avec humain dans la boucle (human-in-the-loop), gestion des fenêtres de contexte.

Harnais d'évaluation : échafaudage de tests construit en coordination avec l'ingénieur LLMOps (LLM Operations).

Ingénierie des prompts : prompts structurés, conception few-shot, modèles de chaîne de pensée (chain-of-thought).

Bibliothèque de composants partagés : composants TypeScript réutilisables issus des cas d'usage, qui alimentent le SDK (Software Development Kit) IA interne du client, en complément de la surface de développement de l'équipe Platform.

Lancement et construction de cas d'usage aux côtés des ingénieurs FDE (Forward Deployed Engineer) et des équipes de livraison.

Exigences techniques

Compétences obligatoires
- Systèmes LLM en production : capacité à faire passer des systèmes basés sur des LLM du prototype au déploiement en production, en passant par le harnais d'évaluation.
- RAG et récupération d'information : conception de pipelines de récupération, connaissance des points de rupture d'un RAG naïf et des compromis entre approches dense, clairsemée (sparse) et hybride.
- Modèles agentiques : appels d'outils et flux d'agents en plusieurs étapes, y compris leurs caractéristiques de fiabilité.
- Évaluation : conception de jeux de données d'évaluation pertinents pour des domaines inconnus. La capacité de rédaction est évaluée pendant le processus de construction.
- Stack principale : TypeScript et Node.js.
- Langues : anglais professionnel et français courant.

Environnement technique de référence
- SDK Vercel AI et AWS Bedrock comme environnements représentatifs.
- Modèle principal : Claude, via l'API Anthropic et Claude Enterprise.

Profil recherché

Ingénieur expérimenté ayant déjà livré des systèmes LLM en production (pas uniquement des prototypes ou des POC (Proof of Concept)).

Expérience de collaboration avec des profils variés : chefs de produit, ingénieurs métier, contributeurs plateforme.

Autonomie et capacité à travailler sur des cas d'usage réels, intégré aux équipes de livraison.

Posture de transfert de compétences : l'objectif de l'équipe Enablement est de rendre les équipes autonomes.

Compétences obligatoires :
- Systèmes LLM en production : capacité à faire passer des systèmes basés sur des LLM du prototype au déploiement en production, en passant par le harnais d'évaluation.
- RAG et récupération d'information : conception de pipelines de récupération, connaissance des points de rupture d'un RAG naïf et des compromis entre approches dense, clairsemée (sparse) et hybride.
- Modèles agentiques : appels d'outils et flux d'agents en plusieurs étapes, y compris leurs caractéristiques de fiabilité.
- Évaluation : conception de jeux de données d'évaluation pertinents pour des domaines inconnus. La capacité de rédaction est évaluée pendant le processus de construction.
- Stack principale : TypeScript et Node.js.
- Langues : anglais professionnel et français courant.

Critères décisifs (différenciants) :
- Expérience de construction de harnais d'évaluation et de jeux de données d'évaluation sur des domaines nouveaux.
- Pratique des SDK Vercel AI ou AWS Bedrock, et des modèles Claude (API Anthropic).
- Expérience de création de bibliothèques de composants réutilisables adoptées par d'autres équipes.

Critères rédhibitoires (rejet) :
- Aucune expérience de mise en production de systèmes basés sur des LLM.
- Pas de maîtrise de TypeScript / Node.js.
- Aucune expérience concrète de RAG ni de flux agentiques (uniquement de l'usage d'API basique).