Mission

De nouveaux modèles, ouverts ou fermés, sortent chaque mois : encore faut-il choisir ceux qui sont assez bons pour la production, et le démontrer. Applications et agents s’appuient sur les grands modèles de langage (LLM), et la partie modèle de ces systèmes est entre vos mains. Nos clients s’en servent pour répondre à leurs propres clients, traiter des documents et interroger leurs connaissances.

Ce que le modèle voit, la manière dont il retrouve les connaissances, les outils qu’il peut appeler : ces choix vous appartiennent, de même que la mesure de la qualité des réponses. Le modèle retenu doit tenir l’objectif de coût et de qualité.

Ce poste est fait pour vous si vous voulez savoir si un système d’IA donne des réponses justes, et pas seulement s’il tourne.

Artefact accompagne les plus grandes entreprises du monde dans le déploiement de l’IA : 3 000 AI makers dans plus de 30 pays, plus de 1 000 clients. En France, le département Engineering réunit environ 300 personnes sous la responsabilité du CTO ; vous y rejoignez le chapter AI Applied Engineer, archétype AI Engineer.

Activités et responsabilités

Les Product Engineers construisent l’application autour du modèle ; le comportement du modèle à l’intérieur vous revient. Les Context & Analytics Engineers préparent les connaissances que vos agents retrouvent, et les Platform Engineers exploitent le serving, le harness et l’observabilité sur lesquels vous vous appuyez.

Avec l’AI Product Manager et les experts métier du client, une bonne réponse se définit, puis les résultats s’examinent ensemble. La relecture de code entre pairs et l’accompagnement des nouvelles recrues font partie du quotidien.

Vos responsabilités

Construire des applications et des agents LLM : conception du contexte, appel d’outils, workflows multi-étapes.
Concevoir la façon dont les agents exploitent les connaissances : requêtes de retrieval, re-ranking, citations.
Construire des jeux et des pipelines d’évaluation : réponses de référence, scoring automatisé, relecture par des experts métier.
Suivre la qualité des réponses en production et corriger ce qui se dégrade.
Choisir les modèles selon la qualité, le coût et la latence ; faire du fine-tuning ou de la distillation sur un modèle plus petit quand le prompting ne suffit pas.
Ajouter des garde-fous contre les mauvaises réponses, les fuites de données et le prompt injection.
Traiter des documents avec des LLM : extraction, classification, résumés.

Profil recherché

Les indispensables

Vous avez construit une application ou un agent qui appelle un LLM, et vous savez expliquer ce qui a fonctionné et ce qui a échoué.
Votre code est testé et maintenable.
Les coding agents font déjà partie de votre quotidien, et vous vérifiez ce qu’ils produisent.
La qualité des sorties d’IA se mesure chez vous avec des jeux de test et des métriques, et vous savez limiter les hallucinations, le prompt injection et les fuites de données.
Mettre en production une application LLM et la maintenir (déploiement, monitoring, coût, latence) n’a pas de secret pour vous.
Le point de départ, pour vous, est le problème métier plutôt que le modèle ; reconnaître que l’IA n’est pas toujours le bon outil, et l’expliquer à des personnes non techniques, fait partie de votre pratique.

Un plus, pas un prérequis

Du fine-tuning ou de la distillation de modèles de langage.
Une formation en machine learning ou en statistiques, par exemple en data science.
Des frameworks ou des protocoles d’agents, comme MCP.
Des entrées multimodales : documents, images, voix.
Des outils d’observabilité LLM : tracing, suivi des coûts.

Pas besoin de cocher toutes les cases pour postuler : si vous avez l’essentiel des indispensables et l’envie d’apprendre le reste, parlons-en.

Pourquoi nous rejoindre ?

Dans ce métier, la difficulté est moins de faire parler un modèle que de savoir s’il dit juste. L’AI Engineer répond à cette question par la mesure : jeux de test, évaluations, suivi en production, plutôt que par l’impression d’une démonstration réussie.