Ford Motor Company est un constructeur automobile basé aux États-Unis, dont l’histoire remonte à 1903. En plus de concevoir et de produire des véhicules, l’entreprise élargit son champ d’action aux services de mobilité, aux expériences numériques et aux logiciels. Les activités de Ford comprennent également des initiatives en matière de développement durable et des objectifs environnementaux, reflétant une approche qui relie transport, innovation, impact sur les communautés et pratiques commerciales responsables.
Architecte IA et apprentissage automatique chez Ford Motor Company (hybride, Inde)
Concevez des agents autonomes, des systèmes multi-agents et des pipelines RAG pour les entreprises. Déployez de l’IA générative en production sur Google Cloud avec MLOps, conteneurs et bases vectorielles.
Description
- Développer et déployer des agents d’IA autonomes et semi-autonomes pour les processus d’entreprise.
- Concevoir des architectures multi-agents avec orchestration, découpage des tâches, cycles de planification et communication entre agents.
- Connecter les agents aux plateformes d’entreprise, aux API REST et GraphQL, aux bases de données et aux services Google Cloud.
- Créer des capacités de mémoire à court et à long terme, épisodique et sémantique.
- Créer, tester, affiner et maintenir des modèles de prompts et des bibliothèques de prompts réutilisables.
- Évaluer, choisir et affiner des modèles de fondation, notamment Gemini via Vertex AI Model Garden.
- Créer et optimiser des pipelines RAG à haut débit et faible latence, y compris l’ingestion de documents, leur découpage et la génération d’embeddings.
- Intégrer et exploiter des bases de données vectorielles évolutives.
- Nettoyer et préparer les données structurées et non structurées pour leur utilisation.
- Provisionner des environnements Google Cloud sécurisés à l’aide de Terraform comme infrastructure as code.
- Créer et maintenir des pipelines CI/CD pour les tests automatisés, la création de conteneurs et le déploiement dans différents environnements.
- Empaqueter des applications et des agents avec Docker, puis les déployer sur GKE ou Cloud Run.
- Mettre en place l’orchestration des flux de travail avec des outils tels que Vertex AI Pipelines ou Cloud Composer/Airflow.
- Définir des métriques et des pipelines de test pour évaluer la qualité des agents, la latence, l’utilisation des tokens et les taux d’hallucination.
- Ajouter le filtrage de contenu, la modération, des contrôles d’ancrage, des défenses contre l’injection de prompts, des contrôles de confidentialité et des étapes de validation humaine.
- Mettre en place la supervision de production, les journaux, le traçage distribué et les alertes en temps réel.
- Améliorer les flux de travail des agents, les paramètres des modèles, la mise en cache et l’infrastructure afin d’optimiser les coûts et les performances.
- Gérer les branches Git, les demandes de fusion et les revues de code.
- Collaborer avec des spécialistes des données, des ingénieurs logiciels et des équipes métier pour fournir des solutions d’IA prêtes pour la production.
- Documenter l’architecture du système, les flux des agents, les outils, les prompts, les conteneurs et les procédures d’exploitation.
Exigences
- Au moins trois ans d’expérience professionnelle en apprentissage automatique ou en ingénierie de l’IA, avec de solides bases en MLOps.
- Un à deux ans d’expérience pratique dans la conception et le déploiement de systèmes de production fondés sur les LLM, l’IA générative ou des agents.
- Maîtrise experte de Python.
- Expérience avec PyTorch, TensorFlow ou Scikit-learn.
- Solides connaissances théoriques et pratiques en apprentissage profond, traitement du langage naturel et architectures Transformer.
- Expérience pratique avec LangChain, LangGraph, LlamaIndex, CrewAI ou Vertex AI Agent Builder.
- Expérience avérée de Google Cloud Platform, Docker, Kubernetes/GKE, Cloud Run et Cloud Functions.
- Expérience avérée en indexation vectorielle, recherche sémantique, Vertex AI Vector Search, AlloyDB ou outils comparables.
- Connaissance des bases de données SQL et NoSQL, des API REST et des API GraphQL.
- Expérience avec Terraform, Git et des outils CI/CD tels que Cloud Build, GitLab CI ou Jenkins.
- Expérience avec Prometheus, Cloud Logging ou LangSmith, ainsi qu’avec l’évaluation de la qualité et de la sécurité des résultats des LLM.
- La certification Google Cloud Professional Machine Learning Engineer ou Professional Cloud Architect est fortement souhaitée.
- Licence ou diplôme équivalent.