Nous recherchons un(e) Lead AI Engineer pour prendre la responsabilité technique de la practice IA agentique de LineUP7.
Le poste
LineUP7 a engagé sa transformation vers l’IA agentique. Les cas d’usage existent, les premières réalisations aussi. Nous voulons maintenant accélérer et donner à notre practice la rigueur d’architecture et les standards industriels qui nous permettront de livrer plus vite, mieux, et a plus grande échelle.
Ce rôle est une création de poste. Tu reportes directement au COO et tu prends en charge la dimension technique de la practice : choix de stack, standards d’architecture, montée en compétences des consultants, contribution aux avant-ventes. Tes projets couvrent un périmètre large : automatisation de processus métier complexes, agents conversationnels, pipelines de traitement intelligent, intégration dans des écosystèmes varies (marketing, data ops, CRM, opérations internes), au service de clients pour qui l’IA devient un levier de performance opérationnelle et de transformation.
Tu sais ce qui sépare un chat LLM d'une véritable plateforme agentique en production. Tu sais ce que coûte un système IA mal monitoré. Tu sais aussi tenir une position d’architecture face à un client qui veut aller vite. C’est exactement le profil dont nous avons besoin.
Missions principales
1. Structuration technique de la practice IA agentique
- Définir les standards d’architecture, les patterns de référence et les assets réutilisables pour les projets IA de LineUP7
- Piloter le choix et l’évolution de la stack d’orchestration agentique (LangGraph, LlamaIndex, CrewAI, plateformes agentiques) en cohérence avec les systèmes clients
- Contribuer aux phases d’avant-vente sur les sujets IA agentique : qualification technique, estimation, présentation d’architecture
- Emmener la montée en compétences des consultants data et IA de l’équipe
2. Architecture et conception des systemes IA
- Concevoir des architectures IA hybrides adaptées aux contraintes clients : cloud, on-premise, multi-modelés, intégration avec des systèmes legacy (CRM, CDP, plateformes marketing, ERP)
- Définir les patterns d’intégration entre agents, outils, bases vectorielles et systèmes tiers
- Garantir la cohérence des choix techniques avec les stacks data déployées chez les clients (Snowflake, Databricks, GCP)
3. Développement et mise en production a l’échelle
- Piloter le cycle complet de développement des produits IA, du prototype jusqu’à la mise en production
- Développer et industrialiser des pipelines RAG (chunking, embedding, reranking, évaluation) adaptés aux corpus clients
- Déployer et opérer des agents en production (Docker, Kubernetes, FastAPI) en garantissant robustesse et scalabilité
4. Qualité, observabilité et gouvernance des modèles
- Mettre en place des systèmes de monitoring du comportement des modèles en production : drift, hallucination, latence, régression sémantique
- Concevoir et opérer des guardrails adaptes aux contextes clients : filtres d’entrée/sortie, mécanismes de fallback, validation contrainte
- Implémenter des boucles de feedback pour l’amélioration continue des systèmes en production
- Piloter des campagnes de fine-tuning sur des cas d’usage cibles (classification, extraction, génération contrainte)
