Partnered accompagne plusieurs de leurs clients Startups / Scale-Ups dans la recherche de profils AI Engineer : Mission : Industrialiser l’IA pour automatiser, accélérer et fiabiliser les processus sur l’ensemble de la chaîne de valeur, du premier contact client jusqu’au delivery des événements (et l’amélioration continue post-event).Tu conçois des agents IA, des workflows et des produits data qui :réduisent drastiquement le temps passé sur les tâches répétitives et à faible valeur ajoutée,améliorent la qualité d’exécution (moins d’erreurs, plus de cohérence, meilleur contrôle),augmentent la vitesse de réponse et la satisfaction client,rendent les équipes plus scalables, sans ajouter de complexité opérationnelle.Surtout, tu livres des solutions observables et pilotées par la donnée : monitoring, tracking d’usage, qualité, latence, coûts et impact business (temps gagné, baisse d’erreurs, adoption).Ce que tu feras concrètement1) Concevoir et développer des agents et outils IA “production-ready”Construire des agents IA et des workflows multi-étapes avec LangGraph (orchestration, state management, human-in-the-loop, retries), jusqu’en production.Développer des assistants orientés métier (Sales / Ops / CS) : extraction et synthèse d’information, rédaction assistée, aide à la décision, automatisation de workflows.Mettre en place les bons patterns : tool-calling, gestion de contexte, guardrails, sécurité / gestion des PII, maîtrise des coûts.2) Développer la data fondation qui rend l’IA utileDévelopper des pipelines de données et des intégrations entre les systèmes internes (BigQuery, MongoDB, APIs…).Fiabiliser la donnée : qualité, traçabilité, monitoring, modèles et métriques partagés.3) Livrer en cycles Shape Up (orientés impact)Participer au shaping (cadrage, identification des risques, découpage, définition du “done”).Collaborer étroitement avec le PM et les équipes internes pour garantir la valeur ajoutée et l’adoption.4) Mesurer et itérer (adoption & ROI)Définir et suivre des indicateurs : temps gagné, taux d’adoption, baisse d’erreurs, satisfaction interne.Mettre en place une boucle de feedback continue et itérer rapidement.5) Monitoring, tracking & performance (rigueur production)Mettre en place l’observabilité des pipelines et des agents (logs, métriques, alerting, traces).Suivre les KPIs de performance : latence, taux d’erreurs, taux de fallback, stabilité, coûts par workflow.Déployer une démarche d’évaluation (qualité LLM, hallucinations, précision d’extraction, conformité) avec dashboards d’usage.Optimiser en continu : caching, batching, choix des modèles, tuning des prompts, amélioration des données🚀 Pourquoi ce rôle est une vraie opportunitéImpact direct : chaque projet livré a un effet mesurable sur la productivité.Ownership : influence sur l’architecture, les choix techniques, la standardisation des agents et la roadmap IA interne.Cycle complet : shaping → build → déploiement → mesure → itération.Environnement structuré : roadmap claire, cycles courts, utilisateurs réels.Équipe ambitieuse : forte proximité produit, exécution rapide, culture du concret.Profil recherché🧠 ExpérienceExpérience confirmée dans la mise en production de projets data/IA (agents, automatisations, outils internes, data products…).À l’aise dans un contexte orienté opérations : contraintes réelles, qualité, adoption, ROI.🔧 Compétences techniquesExcellente maîtrise de Python (Pandas, FastAPI, intégrations, APIs, tests).Solides bases en SQL et en modélisation / manipulation de données.Expérience en LLMs / NLP (OpenAI API, LangChain / LangGraph, Hugging Face, RAG…).Confort avec un environnement cloud data (BigQuery, GCP, MongoDB).Culture production & fiabilité : monitoring, métriques, alerting, post-mortems, amélioration continue.Bonus : vector DB (FAISS / Chroma), évaluation LLM, sécurité & privacy, optimisation coûts / latence.💡 Qualités personnellesAutonome, rigoureux(se), orienté(e) impact.Sens du produit : compréhension fine des besoins métiers et recherche de solutions efficaces.Goût pour le delivery rapide et l’itération avec des utilisateurs.🧰 Stack techniqueLangages : Python (Pandas, FastAPI, LangChain, LangGraph), SQLInfrastructure : BigQuery, MongoDB, GCPIA : OpenAI API, Hugging Face, FAISS / ChromaData Viz : Looker StudioMéthodologie : Shape Up adaptée (cycles 6–8 semaines, shaping collaboratif)Observabilité : monitoring & alerting (logs / métriques), dashboards d’adoption & performance