Ingénieur LLM - Annecy
Périmètre & ResponsabilitésPipelines RAG (Retrieval-Augmented Generation) : conception et mise en œuvre des stratégies de récupération, segmentation (chunking), reclassement (reranking)...
Résumé
<p>Périmètre & Responsabilités</p><p>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.</p><p>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.</p><p>Harnais d'évaluation : échafaudage de tests construit en coordination avec l'ingénieur LLMOps (LLM Operations).</p><p>Ingénierie des prompts : prompts structurés, conception few-shot, modèles de chaîne de pensée (chain-of-thought).</p><p>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.</p><p>Lancement et construction de cas d'usage aux côtés des ingénieurs FDE (Forward Deployed Engineer) et des équipes de livraison.</p><p>Exigences techniques</p><p>Compétences obligatoires<br />- 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.<br />- 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.<br />- Modèles agentiques : appels d'outils et flux d'agents en plusieurs étapes, y compris leurs caractéristiques de fiabilité.<br />- Évaluation : conception de jeux de données d'évaluation pertinents pour des domaines inconnus. La capacité de rédaction est évaluée pendant le processus de construction.<br />- Stack principale : TypeScript et Node.js.<br />- Langues : anglais professionnel et français courant.</p><p>Environnement technique de référence<br />- SDK Vercel AI et AWS Bedrock comme environnements représentatifs.<br />- Modèle principal : Claude, via l'API Anthropic et Claude Enterprise.</p><p></p>