AI Engineer

Ce qu’on cherche avant tout

Mayday vise à devenir le leader mondial de son marché d’ici 2028. Pour y arriver, on cherche des personnes qui voient loin : un super profil, ambitieux, qui a envie de se projeter et de grandir avec nous sur la durée plutôt que d’occuper un poste. L’état d’esprit et l’ambition priment sur la checklist des compétences.

Concrètement : à partir de 4 ans d’expérience, tu peux y aller. Le reste de cette fiche décrit le rôle, mais c’est l’envie qui fait la différence.

Tu rejoins une équipe Data structurée et en croissance, composée de Data Engineers, Back-End Engineers et Data Scientists, encadrée par un Tech Lead Data et pilotée par un Head of Data & AI. Tu travailles au quotidien avec un PM AI, et tu peux être amené(e) à intervenir auprès de clients en collaboration avec les équipes de Customer Success Managers.

Ce que ce poste a de particulier : tu n’es pas là pour simplement intégrer un LLM ou multiplier les prompts. Tu es là pour concevoir les systèmes de RAG et les agents qui permettront à nos clients d’exploiter pleinement leur base de connaissances, de manière fiable, pertinente et scalable.

Tu interviens sur toute la chaîne : compréhension du besoin, ingestion et structuration des contenus, retrieval, génération, orchestration des agents, évaluation et mise en production. C’est un rôle à forte autonomie intellectuelle, avec un impact direct sur le produit et sur la trajectoire technique de l’équipe.

Applied AI, RAG & Agents

• Identifier les opportunités IA à fort impact business, de la définition du problème jusqu’au déploiement.

• Concevoir et améliorer des architectures de Retrieval-Augmented Generation : ingestion et parsing des contenus, chunking, embeddings, indexation, recherche hybride, filtres par métadonnées, reranking et génération de réponses contextualisées.

• Développer des agents IA capables de raisonner à partir de la base de connaissances propre à chaque client, d’utiliser des outils et d’exécuter des workflows métier de manière fiable.

• Travailler sur les principaux enjeux du retrieval : pertinence, fraîcheur des informations, gestion des permissions, désambiguïsation, personnalisation et passage à l’échelle.

• Expérimenter avec différents modèles, stratégies de retrieval et architectures d’agents, puis arbitrer en fonction de la qualité, de la latence, du coût et de la maintenabilité.

• Mettre en place des frameworks rigoureux d’évaluation des systèmes RAG et agentiques : jeux de données de référence, tests automatiques, human evaluation, métriques de retrieval et mesure de la qualité des réponses.

• Assurer une veille active sur l’état de l’art des LLMs, du RAG et des agents, en sachant distinguer les avancées réellement utiles au produit des effets de mode.

Engineering & MLOps

• Écrire du code Python propre, testé et maintenable, en combinant expertise data et rigueur d’ingénierie.

• Construire et maintenir des pipelines robustes couvrant toute la chaîne : ingestion → transformation → indexation → retrieval → génération → évaluation → monitoring.

• Intégrer des modèles et services d’IA générative, notamment via les APIs des différents provider, et choisir les modèles adaptés à chaque cas d’usage.

• Assurer la fiabilité des systèmes en production : observabilité, analyse des erreurs, gestion des fallbacks, alerting, versioning des prompts et des modèles, maîtrise de la latence et des coûts.

• Concevoir des mécanismes de sécurité adaptés aux systèmes agentiques : contrôle des outils, gestion des droits, protection contre les prompt injections et validation des sorties.

• Collaborer avec les Data Engineers et Back-End Engineers pour intégrer ces capacités au produit et les faire fonctionner à l’échelle.

• Contribuer aux choix d’architecture et aux standards techniques de l’équipe Data & AI.

Collaboration & Impact Produit

• Travailler en binôme avec le PM AI pour transformer les enjeux produit et les retours utilisateurs en problèmes bien formulés, en hypothèses testables et en solutions actionnables.

• Collaborer avec les équipes customer-facing pour comprendre les usages réels, identifier les causes d’échec et améliorer continuellement la qualité des réponses.

• Être en mesure de présenter tes travaux, tes arbitrages et leurs résultats à des interlocuteurs techniques et non techniques.

• Définir avec l’équipe les bons indicateurs de succès et relier la performance technique des systèmes RAG à leur impact produit et business.

• Contribuer à la culture technique de l’équipe : revues de code,