Staff AI Developer / Architecte IA

Job Description Résumé du rôle Nous recherchons un praticien chevronné en IA, possédant une solide expérience pratique dans le passage de solutions d’intelligence artificielle du stade de preuve de concept à des déploiements robustes en production. Ce poste n’est pas un rôle de gestion d’équipe. Il s’agit d’un rôle senior de contributeur individuel axé sur l’ingénierie pragmatique en IA, la mise en production et l’excellence opérationnelle.

Le candidat idéal possède une vaste expérience pratique dans l’exploitation de systèmes d’IA en environnement réel de production, incluant les défis liés à la montée en charge, la maintenance, la surveillance et l’évolution des modèles dans le temps. Il comprend les compromis entre sophistication et fiabilité et sait reconnaître quand une approche plus simple et éprouvée est préférable à une solution sur-ingénierisée.

Ce rôle est intégré au Centre d’excellence en IA (CoE) et collabore étroitement avec les équipes produit, logiciel et matériel afin de garantir que les solutions d’IA soient prêtes pour la production, évolutives, maintenables et alignées avec la valeur d’affaires.

Aperçu des initiatives En tant que Staff AI Developer chez EXFO, vous aurez l’opportunité de travailler sur des initiatives qui font directement progresser l’intelligence et les capacités des appareils et de l’écosystème EXFO.

Toutes Les Initiatives Mettent L’accent Sur La Mise En Production, La Maintenabilité à Long Terme Et L’impact Réel, Plutôt Que Sur La Nouveauté Expérimentale. Exemples

• Développer et déployer des modèles d’IA de pointe sur les instruments et appareils EXFO afin d’améliorer, automatiser et, dans certains cas, réinventer leurs processus opérationnels.
• Générer de l’intelligence à travers l’écosystème connecté en analysant les données des appareils, les comportements utilisateurs et les contextes opérationnels, afin de découvrir des relations cachées et des causes profondes dans des jeux de données à grande échelle.
• Exploiter des techniques avancées d’analyse et de prévision pour révéler des insights et anticiper les tendances influençant les décisions produits.
• Réinjecter automatiquement les insights intelligents dans les appareils pour améliorer continuellement leurs performances et la productivité des utilisateurs.
• Façonner l’avenir de l’IA agentique chez EXFO en concevant des agents intelligents spécialisés.

Ces initiatives visent à offrir des expériences numériques de bout en bout propulsées par l’IA, intégrées de manière fluide dans les appareils, les flux de travail et les interfaces.

Responsabilités clés

• Ingénierie IA en production
• Accompagner la transition des initiatives IA vers la production.
• Concevoir, implémenter et maintenir des systèmes IA (edge, cloud, hybride).
• Définir les bonnes pratiques (déploiement, versioning, monitoring, cycle de vie).
• Assurer la fiabilité, performance, scalabilité et maintenabilité.
• Leadership technique pragmatique (sans gestion directe)
• Apporter un jugement technique solide sur l’architecture et les modèles.
• Guider le niveau de sophistication des solutions.
• Challenger les approches trop complexes.
• Éviter les pièges fréquents (data drift, pipelines fragiles, surapprentissage, etc.).
• MLOps & industrialisation
• Mettre en place des pratiques MLOps (CI/CD, tests, monitoring, rollback).
• Assurer la reproductibilité et la traçabilité.
• Définir des métriques de performance.
• Collaborer avec les équipes DevSecOps pour des déploiements sécurisés.
• Collaboration interfonctionnelle
• Travailler avec les équipes logiciel, matériel et produit.
• Contribuer aux décisions d’architecture.
• Traduire les besoins d’affaires en solutions IA concrètes.
• Coaching et montée en compétence
• Mentorer les ingénieurs IA et data scientists.
• Élever la maturité du CoE.
• Partager les apprentissages issus de l’expérience terrain.

Expérience requise

• 8+ ans en IA/ML, dont 3–5 ans en production.
• Expérience démontrée du PoC à la production.

• Expérience en déploiement sur :

• Edge / embarqué
• Cloud

• Hybride

• Gestion du cycle de vie des modèles.
• Solide base en développement logiciel (Python / GoLang).
• CI/CD, Docker, Kubernetes, infrastructure as code.
• Outils MLOps (MLflow, Kubeflow, SageMaker, etc.).

Connaissances techniques

• Bases solides en ML (supervisé, non supervisé, deep learning).
• Capacité à choisir entre deep learning et approches classiques.
• Optim…