AI Engineer

Sortir l'IA des notebooks. Tu prends en charge des projets RAG / agents / LLM en production pour des clients qui ont déjà passé le POC et qui veulent du fiable. Pas de demo theater : on mesure l'accuracy, le coût, la latence, on tient des SLOs.

Ce que tu fais concrètement

• Architecturer des pipelines RAG production : retrieval (Pinecone, pgvector, Qdrant), chunking + reranking, eval framework CI (Promptfoo, Langfuse).
• Déployer des agents LLM avec garde-fous : tool use validation, cost guards, retry logic, observability via Langfuse/Helicone.
• Optimiser les coûts d'inférence : routing multi-LLM (LiteLLM), batching, cache sémantique, fine-tuning quand le ROI le justifie.
• Pair-design avec les data scientists internes du client pour transférer la propriété en fin de mission.
• Évangéliser les patterns AI-safe en interne : RBAC sur les contexts, prompt injection mitigation, audit logs APPI/GDPR-ready.

Stack typique

• LLM providers : Claude (default pour reasoning), OpenAI (default pour tool use), Llama 3.3 self-hosted (vLLM) pour privacy-critical.
• Frameworks : LangChain (legacy clients), LlamaIndex, DSPy (en assess), Pydantic AI. Pour les agents : LangGraph, Vercel AI SDK.
• Vector DB : Pinecone (managed, default), pgvector (si Postgres déjà en prod), Qdrant (self-hosted).
• Observability + evals : Langfuse (default), Helicone, Promptfoo en CI.
• Backend : Python (FastAPI) ou Node (Hono). Déploiement Modal, Runpod, ou K8s GPU node-groups.

Le profil qu'on cherche

• 4+ ans en production sur des projets ML/AI. Ou 2+ ans avec une vraie spécialisation LLM/RAG production.
• Solide en Python (typage strict, async, tests). Une stack backend secondaire (Node, Go) est un plus.
• Comprends la différence entre un POC qui marche en demo et un système qui tient à 10k QPS avec p99 < 4s.
• Connaissance pratique des trade-offs : embedding model choice, chunk size, retrieval strategy, prompt engineering vs fine-tuning.
• Bonus : expérience LLM agents en prod (LangGraph, AutoGen, ou framework custom), ou MLOps (Kubeflow, MLflow, BentoML).

Pourquoi Abbeal pour ce rôle

On a 12+ missions AI production en cours (BNP, Cartier, Le Monde, AXA, plus des moins-glamour). Notre tech radar Q2 2026 met Rust et Pinecone en Adopt, Bun et DSPy en Trial, MongoDB et low-code en Hold — on est opinionated et on tient des comptes.

Tu rejoins une équipe AI qui couvre Paris + Tokyo (la mission Cartier qui combine LLM privé et NLP japonais te donne une idée du niveau). Code review pair-à-pair avec un autre senior AI hebdomadaire, accès au tech radar interne.