Ingénieur; e) logiciel IA

Tu concevras et déploieras des solutions IA dans nos plateformes web : modules d'achat en ligne, gestionnaires d'inventaire, publication automatisée. Du LLM dans du vrai produit qui sert 93 concessions.

Autoroot exploite déjà des LLM en production. Descriptions de véhicules générées automatiquement, classification d'inventaire, assistants conversationnels pour les concessions. Mais on est à 10% de ce qu'on veut faire.

On cherche un(e) ingénieur(e) IA qui sait intégrer du LLM dans du vrai produit
. Pas un POC, pas une démo, du code qui sert 93 concessions tous les jours. Tu prendras les rênes des modules IA existants et tu construiras les prochains.

Idéalement, tu as déjà mis du RAG en prod, tu sais évaluer la qualité d'un agent, et tu comprends les coûts/latences réels d'une API LLM à grande échelle.

• 5+ ans d'expérience en développement logiciel, dont 2+ ans avec des LLM ou du ML en production
• Expérience hands-on avec les APIs LLM (OpenAI, Anthropic, Google). Tu sais ce que coûte un token et combien de temps prend un appel
• RAG, embeddings, prompt engineering . Tu as déjà construit un système qui tient la route à plus de 1000 requêtes/jour
• Postgres + Supabase (ou équivalent), pgvector pour la recherche sémantique
• Rigueur évaluation . Tu écris des évals avant de pousser un changement de prompt, et tu sais mesurer la régression
• Cursor au quotidien, ou un autre IDE AI-augmenté

• Expérience avec Lang Graph, Llama Index ou des frameworks d'agents
• Fine-tuning de modèles open-source (Llama, Mistral) sur du domaine spécifique
• Tu as déjà publié un article technique , un repo open-source ou parlé en conférence sur l'IA appliquée
• Intérêt pour l'industrie auto ou un domaine vertical (auto, finance, santé)
• Connaissance du déploiement edge (Vercel Edge, Cloudflare Workers) pour réduire la latence LLM

Tes responsabilités

Concevoir et déployer des modules IA dans nos plateformes

Modules d'achat en ligne, gestionnaire d'inventaire, publication automatisée de descriptions véhicules. Tu choisis l'architecture, le modèle, et tu pousses en prod.

Construire le pipeline d'évaluation des modèles

Datasets, métriques, golden examples. Quand on swappe Claude pour GPT (ou inversement), on veut savoir exactement ce qui s'améliore et ce qui se dégrade.

Optimiser coûts et latences à l'échelle

Caching, batching, choix de modèles selon le besoin (Haiku vs Opus, Mini vs Pro). Tu sais quand un appel à 0,002$ devient 200$/mois à 100 concessions.

Identifier les prochains cas d'usage IA

Tu parleras avec des directeurs de concessions et des équipes ops pour repérer où l'IA débloque vraiment du temps ou des revenus. Pas du gadget.

Partager la veille et faire monter l'équipe

Tu lis les papers, tu testes les nouveaux modèles, et tu fais des Loom courts à l'équipe quand quelque chose mérite qu'on y prête attention. Tu seras notre référence IA.

Notre stack IA

On est pragmatiques sur l'IA. Le bon modèle pour le bon usage. Voici à quoi ressemble la stack aujourd'hui.

Claude pour la qualité, GPT pour les volumes, Gemini pour le multimodal.

pgvector, Supabase

Postgres + pgvector pour la recherche sémantique sur 50k+ véhicules.

App Router, streaming UI pour les réponses LLM, Server Actions.

Vercel Edge pour réduire la latence, Supabase Edge pour les workflows lourds.

Datasets versionnés, scoring automatique, comparaisons A/B.

Observabilité

Traces LLM, coûts par feature, alerting sur les régressions.

Outils dev

Cursor au quotidien, nous utilisons notre propre IA en interne.

Pour l'exploration de données et les expériences avant de coder en TS.

Tes propositions

La stack IA évolue chaque…