Ingénieur LLM - Annecy

OCTOGONE; Annecy; Ibrido; EUR 65.000 - 90.000; Tempo pieno

Descrizione del lavoro

OCTOGONE recherche un ingénieur IA pour concevoir et déployer des pipelines RAG et des architectures dicients df agents, en collaboration avec les équipes LLMOps et Platform.

Le poste implique lerie des prompts, lvaluation et le de9ploiement sur des environnements TypeScript/Node.js, avec utilisation drom Vercel AI SDK et AWS Bedrock pour des cas dusage client.

Competenze

• Conception et mise en œuvre de pipelines RAG et de systèmes de récupération de l7information.
• Conception dlow dbaires de9cision par agent et gestion multi-0a5
• R3bd
• Conception et tests denêtres de contexte et diabilite9 des flux dlux dfagents.

Mansioni

• Concevoir et mettre en œuvre des pipelines de récupération et de segmentation (chunking) et assurer la recherche hybride adaptée aux cas d01Uso.
• Concevoir des architectures dourniture doutils et flux d9tapes pour lonctionnement des agents.
• Mettre en place des harnais dvaluation et tester les cas dusage avec les LLMOps et les équipes Platform.
• R9diger prompts structure9s et développer des approches chain-of-thought (CoT).
• Construire une bibliothe8que de composants TypeScript/rf3utilisables alimentant le SDK IA interne et la surface Platform.
• Accompagner le lancement et la d9ploiement des cas dd0a avec FDE et les e9quipes de livraison.

Conoscenze

RAG pipelines

Agent models

Évaluation datasets

Anglais pro

TypeScript

Node.js

Strumenti

Vercel AI SDK

AWS Bedrock

Claude API

Descrizione del lavoro

Périmètre & Responsabilités

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.

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.

Harnais d'évaluation : échafaudage de tests construit en coordination avec l'ingénieur LLMOps (LLM Operations).

Ingénierie des prompts : prompts structurés, conception few-shot, modèles de chaîne de pensée (chain-of-thought).

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.

Lancement et construction de cas d'usage aux côtés des ingénieurs FDE (Forward Deployed Engineer) et des équipes de livraison.

Exigences techniques

• 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.
• 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.
• Modèles agentiques : appels d'outils et flux d'agents en plusieurs étapes, y compris leurs caractéristiques de fiabilité.
• Évaluation : conception de jeux de données d'évaluation pertinents pour des domaines inconnus. La capacité de rédaction est évaluée pendant le processus de construction.
• Stack principale : TypeScript et Node.js.
• Langues : anglais professionnel et français courant.

Environnement technique de référence

• SDK Vercel AI et AWS Bedrock comme environnements représentatifs.
• Modèle principal : Claude, via l'API Anthropic et Claude Enterprise.