Scientifique en IA appliquée

EXFO; Quebec; On-site; CAD 90,000 - 130,000; Full time

Job summary

EXFO Inc. recherche un Scientifique en IA appliquée pour concevoir, entraîner et évaluer des modèles IA/ML répondant à des problématiques produit réelles.

Vous collaborerez étroitement avec les équipes Produit, Data et Platform/MLOps pour déployer, monitorer et itérer les solutions dans un contexte produit, tout en assurant la qualité des jeux de données et la robustesse des modèles.

Qualifications

• Formation universitaire en mathématiques appliquées, science des données, génie ou domaine quantitatif connexe avec maîtrise ou doctorat en IA ou expérience équivalente considérée.
• Expérience significative (5+ ans) en conception, entraînement et évaluation de modèles AI/ML appliqués à des problèmes produit ou opérationnels réels.
• Maîtrise des langages, bibliothèques et frameworks de modélisation PyTorch, TensorFlow, ..., des outils de versionnement (Git) et de suivi d'expérimentations.
• Rigueur méthodologique en évaluation : constitution de datasets et de ground truth, choix de métriques, seuils de succès, analyse des biais et de la robustesse.
• Compréhension des conditions de mise en production et du cycle de vie des modèles : seuils d'acceptation et monitoring.
• Capacité à documenter clairement hypothèses et résultats et à vulgariser les limites d'un modèle.
• Capacité à collaborer avec les équipes Produit/Data/Software et Platform/MLOps dans un environnement multidisciplinaire.
• Bilinguisme français-anglais, à l'oral et à l'écrit.

Responsibilities

• Traduire un besoin produit ou opérationnel en problème AI/ML mesurable, avec hypothèses, critères de succès et limites d’usage.
• Définir ou contribuer à l’architecture des modèles, aux approches AI/ML et aux choix techniques nécessaires à la solution.
• Préparer, sélectionner ou spécifier les datasets, métriques, ground truth et stratégies d’évaluation nécessaires à l’entraînement et à la validation.
• Entraîner, ajuster, améliorer et évaluer les modèles en analysant leurs performances, biais, limites et conditions d’utilisation.
• Évaluer la scalabilité et la pérennité de la solution face aux volumes, usages, données, versions de modèles et contraintes futures du produit.
• Définir les conditions de mise en production : seuils d’acceptation, métriques de succès, fallback, rollback et responsabilités humaines lorsque la confiance est insuffisante.
• Documenter les hypothèses, résultats, contraintes et contribuer avec les équipes software/platform au monitoring post-déploiement.

Skills

PyTorch

TensorFlow

Experiment tracking

Git

ML model design

Team collaboration

Bilingual FR-EN

Education

Master/PhD en IA

Tools

Git

Plateformes ML

Job description

Le Scientifique en IA appliquée est responsable de concevoir, entraîner, évaluer et améliorer des modèles AI/ML appliqués à des problématiques produit ou métier, tout en s'assurant que les solutions puissent être intégrées, opérées, monitorées et maintenues dans un contexte produit réel.

Responsabilités principales

• Traduire un besoin produit ou opérationnel en problème AI/ML mesurable, avec hypothèses, critères de succès et limites d’usage.
• Définir ou contribuer à l’architecture des modèles, aux approches AI/ML et aux choix techniques nécessaires à la solution.
• Préparer, sélectionner ou spécifier les datasets, métriques, ground truth et stratégies d’évaluation nécessaires à l’entraînement et à la validation.
• Entraîner, ajuster, améliorer et évaluer les modèles en analysant leurs performances, biais, limites et conditions d’utilisation.
• Évaluer la scalabilité et la pérennité de la solution face aux volumes, usages, données, versions de modèles et contraintes futures du produit.
• Définir les conditions de mise en production : seuils d’acceptation, métriques de succès, fallback, rollback et responsabilités humaines lorsque la confiance est insuffisante.
• Documenter les hypothèses, résultats, contraintes et contribuer avec les équipes software/platform au monitoring post-déploiement : performance, dérive, qualité, incidents et amélioration continue.

Profil recherché

• Formation universitaire en mathématiques appliquées, science des données, génie ou domaine quantitatif connexe avec maîtrise ou doctorat en IA ou expérience équivalente considérée.
• Expérience significative (5+ ans) en conception, entraînement et évaluation de modèles AI/ML appliqués à des problèmes produit ou opérationnels réels, incluant le passage du prototype à une solution utilisable.
• Maîtrise des langages, bibliothèques et frameworks de modélisation PyTorch, TensorFlow, ..., des outils de versionnement (Git) et de suivi d'expérimentations.
• Rigueur méthodologique en évaluation : constitution de datasets et de ground truth, choix de métriques, seuils de succès, analyse des biais, de la robustesse et des limites d'usage.
• Compréhension des conditions de mise en production et du cycle de vie des modèles : seuils d'acceptation, fallback, rollback, supervision humaine, monitoring de la performance et de la dérive.
• Aptitude démontrée à documenter de façon claire hypothèses, résultats, contraintes et dépendances, et à vulgariser les limites d'un modèle auprès d'audiences produit et non techniques.
• Capacité à collaborer étroitement avec les équipes Produit, Data (Data Scientist, Data Steward, Data Ops), Software et Platform/MLOps dans un environnement multidisciplinaire.
• Bilinguisme français-anglais, à l'oral et à l'écrit.

Atouts

• Expérience de mise en production de modèles et de collaboration avec des équipes MLOps ou Platform (CI/CD de modèles, gestion des versions, monitoring et réentraînement).
• Expérience avec les plateformes d'entraînement et d'inférence (ex. AWS SageMaker, AWS Bedrock, Azure ML) ainsi que les approches LLM et IA générative (fine-tuning, RAG, évaluation de systèmes génératifs)
• Connaissance des enjeux de gouvernance et de qualité des données ainsi que des pratiques de constitution et d'annotation de ground truth (interaction avec Data Steward et Data Scientist).
• Sensibilité à l'IA responsable : explicabilité, équité, confidentialité, sécurité et conformité réglementaire des modèles déployés.
• Expérience préalable en environnement produit technologique ou industriel (télécommunications, réseaux ou secteur connexe).
• Contributions scientifiques ou techniques reconnues (publications, brevets, projets open source) ou veille active sur l'état de l'art.