AI Engineer

🎯 Ce qu'on cherche avant tout

Mayday vise à devenir le leader mondial de son marché d'ici 2028. Pour y arriver, on cherche des personnes qui voient loin : un super profil, ambitieux, qui a envie de se projeter et de grandir avec nous sur la durée plutôt que d'occuper un poste. L'état d'esprit et l'ambition priment sur la checklist des compétences.

Concrètement : à partir de 4 ans d'expérience, tu peux y aller. Le reste de cette fiche décrit le rôle, mais c'est l'envie qui fait la différence.

Tu rejoins une équipe Data structurée et en croissance, composée de Data Engineers, Back-End Engineers et Data Scientists, encadrée par un Tech Lead Data et pilotée par un Head of Data & AI. Tu travailles au quotidien avec un PM AI, et tu peux être amené(e) à intervenir auprès de clients en collaboration avec les équipes de Customer Success Managers.

Ce que ce poste a de particulier : tu n’es pas là pour simplement intégrer un LLM ou multiplier les prompts. Tu es là pour concevoir les systèmes de RAG et les agents qui permettront à nos clients d’exploiter pleinement leur base de connaissances, de manière fiable, pertinente et scalable.

Tu interviens sur toute la chaîne : compréhension du besoin, ingestion et structuration des contenus, retrieval, génération, orchestration des agents, évaluation et mise en production. C’est un rôle à forte autonomie intellectuelle, avec un impact direct sur le produit et sur la trajectoire technique de l’équipe.

🔬 Applied AI, RAG & Agents

Identifier les opportunités IA à fort impact business, de la définition du problème jusqu’au déploiement. Concevoir et améliorer des architectures de Retrieval-Augmented Generation : ingestion et parsing des contenus, chunking, embeddings, indexation, recherche hybride, filtres par métadonnées, reranking et génération de réponses contextualisées. Développer des agents IA capables de raisonner à partir de la base de connaissances propre à chaque client, d’utiliser des outils et d’exécuter des workflows métier de manière fiable. Travailler sur les principaux enjeux du retrieval : pertinence, fraîcheur des informations, gestion des permissions, désambiguïsation, personnalisation et passage à l’échelle. Expérimenter avec différents modèles, stratégies de retrieval et architectures d’agents, puis arbitrer en fonction de la qualité, de la latence, du coût et de la maintenabilité. Mettre en place des frameworks rigoureux d’évaluation des systèmes RAG et agentiques : jeux de données de référence, tests automatiques, human evaluation, métriques de retrieval et mesure de la qualité des réponses. Assurer une veille active sur l’état de l’art des LLMs, du RAG et des agents, en sachant distinguer les avancées réellement utiles au produit des effets de mode.

🏗️ Engineering & MLOps

Écrire du code Python propre, testé et maintenable, en combinant expertise data et rigueur d’ingénierie. Construire et maintenir des pipelines robustes couvrant toute la chaîne : ingestion → transformation → indexation → retrieval → génération → évaluation → monitoring. Intégrer des modèles et services d’IA générative, notamment via les APIs des différents provider, et choisir les modèles adaptés à chaque cas d’usage. Assurer la fiabilité des systèmes en production : observabilité, analyse des erreurs, gestion des fallbacks, alerting, versioning des prompts et des modèles, maîtrise de la latence et des coûts. Concevoir des mécanismes de sécurité adaptés aux systèmes agentiques : contrôle des outils, gestion des droits, protection contre les prompt injections et validation des sorties. Collaborer avec les Data Engineers et Back-End Engineers pour intégrer ces capacités au produit et les faire fonctionner à l’échelle. Contribuer aux choix d’architecture et aux standards techniques de l’équipe Data & AI.

🤝 Collaboration & Impact Produit

Travailler en binôme avec le PM AI pour transformer les enjeux produit et les retours utilisateurs en problèmes bien formulés, en hypothèses testables et en solutions actionnables. Collaborer avec les équipes customer-facing pour comprendre les usages réels, identifier les causes d’échec et améliorer continuellement la qualité des réponses. Être en mesure de présenter tes travaux, tes arbitrages et leurs résultats à des interlocuteurs techniques et non techniques. Définir avec l’équipe les bons indicateurs de succès et relier la performance technique des systèmes RAG à leur impact produit et business. Contribuer à la culture technique de l’équipe : revues de code, documentation, partage de connaissances et diffusion des bonnes pratiques Applied AI.