Senior AI/LLM Engineer – IA Générative & Agentique (RAG, Fine-tuning, Inférence)

CONTEXTE

Vous rejoignez la division IA d'une grande banque d'investissement européenne, au sein de la plateforme CIB. L'équipe Data Science conçoit et délivre des produits IA déjà en production : extraction automatisée de données à partir de documents financiers, chatbot agentique et génération de données. Ces produits sont utilisés au quotidien par les équipes métiers — vos améliorations ont un impact direct et mesurable.

VOS MISSIONS

• Concevoir, fine-tuner et améliorer des pipelines RAG et agentiques en production

• Travailler sur l'inférence de modèles : déploiement de LLMs sur GPU (vLLM), optimisation latence / débit / coûts

• Mettre en place l'évaluation et l'observabilité des pipelines IA (Phoenix/Arize, DSPy) : datasets d'évaluation, métriques de qualité, boucles d'amélioration continue

• Améliorer en continu la qualité d'extraction et les performances des agents

• Partager vos connaissances et coacher les profils moins expérimentés

POURQUOI CETTE MISSION

• Des produits GenAI réellement en production, dans un environnement exigeant et à fort impact

• Une stack à l'état de l'art : vLLM, LangGraph, Google ADK, DSPy, Phoenix (Arize)

• Un vrai mandat technique : du delivery, pas des slides

• L'opportunité d'apporter un regard neuf à une équipe qui investit sérieusement dans l'IA

STACK : Python, vLLM, LangGraph, Google ADK, DSPy, Phoenix (Arize), FastAPI, Kubernetes

PROCESSUS DE RECRUTEMENT

Entretien en présentiel (Paris), incluant des tests de mathématiques et de Python. Références techniques vérifiées.

1) 5 ans d'expérience minimum, dont au moins 3 ans en entreprise sur des sujets agentique, RAG, IA générative

2) Compréhension profonde du fonctionnement des LLMs (architecture transformer, attention, tokenisation, décodage, quantization) — capable de l'expliquer et de le démontrer

3) Expérience concrète de l'inférence en production : vLLM, GPU, optimisation de performances

4) Pratique du fine-tuning (SFT, LoRA/QLoRA) et de l'amélioration de systèmes RAG en production

5) Solides bases en mathématiques et Python (testées en entretien présentiel)

6) Références techniques vérifiables