Agent de fabrication

Description de poste

À propos de ChapsVision

En quelques années, ChapsVision s’est imposé comme un acteur européen de référence du Big Data et de l’Intelligence Artificielle.

Notre ambition : permettre aux entreprises et aux organisations publiques d’exploiter leurs données de manière souveraine, sécurisée et intelligente.

Depuis 2019 :

• +380 M€ levés auprès de Bpifrance
• 29+ acquisitions
• ~1 200 collaborateurs.rices
• +1 000 clients grands comptes
• Présence internationale : Canada, États-Unis, Maroc, Belgique, Japon, Allemagne, Espagne…
• Membre du French Tech Next40

Ce que nous construisons :

• Une suite IA dédiée aux entreprises : CRM, Marketing Automation, Commerce Unifié, Analytics
• Des solutions souveraines pour les acteurs stratégiques publics : défense, renseignement, cybersécurité

Le tout s’appuie sur ArgonOS, notre plateforme de traitement massif de données, renforcée par les technologies RAG de Sinequa.

Contexte

L'IA agentique ouvre de nouvelles perspectives pour automatiser des processus complexes, mais soulève également des enjeux majeurs de coût, de performance et de scalabilité.

Au sein de notre équipe AI Research, vous contribuerez à développer des techniques permettant d'optimiser l'exécution d'agents IA tout en conservant un haut niveau de qualité. Les travaux porteront notamment sur le routage intelligent entre modèles, la distillation, les architectures multi-agents et l'optimisation des workflows agentiques.

Missions

• Développer des métriques de coût et de performance des agents IA.

• Concevoir des pipelines de routage entre différents modèles de langage.

• Expérimenter des approches de distillation d'agents vers des modèles plus légers.

• Comparer différentes architectures (mono-agent vs multi-agents).

• Étudier des mécanismes d'adaptation dynamique des workflows agentiques.

• Réaliser des benchmarks coût / qualité / performance.

Environnement technique

• Python
• LLM
• Agents IA
• ReAct
• Multi-Agent Systems
• LangGraph
• LangChain
• Distillation
• Git
• Linux
• Frameworks d'évaluation LLM

Bibliographie :

1. RouteLLM: Learning to Route LLMs with Preference Data — Ong, I., Almahairi, A., Wu, V., Chiang, W.-L., Wu, T., Gonzalez, J. E., Kadous, M. W., Stoica, I. (2024, ICLR 2025). arXiv:2406.18665. https://arxiv.org/abs/2406.18665
2. Doing More with Less: A Survey on Routing Strategies for Resource Optimisation in Large Language Model-Based Systems — (2025). arXiv:2502.00409. https://arxiv.org/abs/2502.00409
3. Distilling LLM Agent into Small Models with Retrieval and Code Tools — Kang et al. (2025). arXiv:2505.17612. https://arxiv.org/abs/2505.17612
4. Why Do Multi-Agent LLM Systems Fail? — Cemri, M., Pan, M. Z., Yang, S., Agrawal, L. A., et al. (2025). arXiv:2503.13657. https://arxiv.org/abs/2503.13657
5. AFlow: Automating Agentic Workflow Generation — Zhang, J., et al. (2024, ICLR 2025). arXiv:2410.10762. https://arxiv.org/abs/2410.10762

Profil recherché

Formation

• Bac+4 à Bac+5 en Informatique, Intelligence Artificielle, Data Science ou NLP.

Hard Skills

• Très bonne maîtrise de Python.
• Solides bases en Intelligence Artificielle.
• Intérêt pour les architectures LLM et les systèmes agentiques.
• Goût pour la recherche expérimentale.
• Bonne culture scientifique en IA.

Soft Skills

• Curiosité.
• Autonomie.
• Esprit d'analyse.
• Capacité à résoudre des problèmes complexes.
• Rigueur scientifique.
• Esprit