Les missions sont: 1- Conception et développement d?agents autonomes avec LangGraph : - Architecture des agents conversationnels ou décisionnels (ex: agents multi-outils, boucles de rétroaction, mémoire contextuelle). -Intégrtion des modèles de langage (LLMs) via LangGraph pour des tâches complexes (ex: raisonnement multi-étapes, orchestration de workflows). -Optimisation les stratégies de prompt engineering et les mécanismes de contrôle (ex: function calling, tool use, plan-and-execute). 2- Intégration avec des pipelines ML/MLOps existants : -Connection des agents LangGraph à des modèles custom (ex: fine-tuned LLMs, modèles de séries temporelles) via APIs ou pipelines. -Automatisation de versioning des agents et leur déploiement. 3- Ingénierie des données et features pour les agents : -Construction des pipelines de données pour alimenter les agents -Développement des mécanismes de mémoire (ex: bases de connaissances dynamiques). -Optimisation les coûts et la scalabilité (ex: caching des réponses, model distillation pour les edge cases). 4- Tests et robustesse : -Mise en place des tests automatisés pour les agents (ex: simulations de dialogues, injection de fautes). -Surveillance les dérives comportementales (ex: hallucinations, boucles infinies) avec LangSmith. -Documentation des limites et cas d?usage (ex: matrice de risques pour les décisions critiques). Compétences souhaitées: Expérience avancée avec LangGraph : -Maîtrise des composants clés : StateGraph, prebuilt tools, human-in-the-loop, et intégration avec des LLMs. -Expérience en déploiement d?agents en production. Python et écosystème IA : -Bibliothèques : langgraph, langchain, llama-index, pydantic. -Frameworks ML : PyTorch/TensorFlow (pour customiser des modèles si besoin). Profil candidat: Les missions sont: 1- Conception et développement d?agents autonomes avec LangGraph : - Architecture des agents conversationnels ou décisionnels (ex: agents multi-outils, boucles de rétroaction, mémoire contextuelle). -Intégrtion des modèles de langage (LLMs) via LangGraph pour des tâches complexes (ex: raisonnement multi-étapes, orchestration de workflows). -Optimisation les stratégies de prompt engineering et les mécanismes de contrôle (ex: function calling, tool use, plan-and-execute). 2- Intégration avec des pipelines ML/MLOps existants : -Connection des agents LangGraph à des modèles custom (ex: fine-tuned LLMs, modèles de séries temporelles) via APIs ou pipelines. -Automatisation de versioning des agents et leur déploiement. 3- Ingénierie des données et features pour les agents : -Construction des pipelines de données pour alimenter les agents -Développement des mécanismes de mémoire (ex: bases de connaissances dynamiques). -Optimisation les coûts et la scalabilité (ex: caching des réponses, model distillation pour les edge cases). 4- Tests et robustesse : -Mise en place des tests automatisés pour les agents (ex: simulations de dialogues, injection de fautes). -Surveillance les dérives comportementales (ex: hallucinations, boucles infinies) avec LangSmith. -Documentation des limites et cas d?usage (ex: matrice de risques pour les décisions critiques). Compétences souhaitées: Expérience avancée avec LangGraph : -Maîtrise des composants clés : StateGraph, prebuilt tools, human-in-the-loop, et intégration avec des LLMs. -Expérience en déploiement d?agents en production. Python et écosystème IA : -Bibliothèques : langgraph, langchain, llama-index, pydantic. -Frameworks ML : PyTorch/TensorFlow (pour customiser des modèles si besoin).
Ingénieur IA LLM/MLOps/LangGraph employeur : ObjectWare
ObjectWare est un employeur de choix, offrant un environnement de travail collaboratif et dynamique au sein du secteur bancaire. Nos équipes bénéficient d'opportunités de développement professionnel continu, tout en profitant d'une culture d'entreprise axée sur l'innovation et le partage des connaissances. Travailler chez nous, c'est aussi faire partie d'une communauté engagée qui valorise chaque contribution et favorise un équilibre entre vie professionnelle et personnelle.
