Ingénieurs ML de production
Entraînement, eval, serving et la colle ennuyeuse autour d’un modèle, pour que la fonctionnalité du prochain trimestre puisse l’appeler sans stagiaire recherche d’astreinte.
IA · ML · PNL · Vision par ordinateur
Des ingénieurs AI / ML qui livrent une intelligence en production
Un recrutement AI / ML n’est pas « quelqu’un qui a entraîné un notebook Colab ». Les ingénieurs iQud livrent des fonctionnalités génératives, des modèles, du NLP et de la computer vision qui survivent à l’eval, au serving et au prochain dataset, pas une démo qui n’a jamais quitté le laptop.
- Des modèles qui atteignent la production
- NLP et computer vision comme travail produit
- Fonctionnalités génératives avec eval, pas au feeling
- Première PR en environ une semaine
Signaux de livraison AI / ML
- 5 jDélai typique jusqu’à la première pull request
- ProduitServing et eval, pas des démos notebook
- 4 surfacesGenAI, modèles, NLP et vision
- 2 sem.Cadence de sprint avec revue de modèle
Les sièges AI / ML que nous staffons vraiment
« AI / ML » n’est pas un seul métier. Nous matchons la surface produit dont vous avez besoin : les mêmes stacks que les pages AI Development, ML Development, Computer Vision et NLP d’iQud.
01 02 Fonctionnalités génératives qui survivent à l’eval
RAG, prompts et tranches produit LLM traités comme travail possédé (qualité de retrieval, fallbacks et coût), pas une démo chatbot qui ne marche que sur un PDF.
03 NLP comme surface produit
Extraction, classification, recherche et workflows langage possédés dans le repo, pas un script de sentiment que personne ne peut réentraîner après le lancement.
04 Computer vision dans le workflow
Détection, OCR et intelligence d’imagerie qui tournent sur de vraies entrées, pas un notebook YOLO qui ne marche que sur le dossier d’échantillons de l’ingénieur.
05 MLOps avec lesquels le prochain job peut vivre
Pipelines, versioning et monitoring traités comme travail produit, pas une slide « on mettra en prod plus tard ».
06 Quand un siège Python API, prompt-only ou CV-only est meilleur
Une flotte FastAPI sans modèle, un chatbot RAG sans boucle d’entraînement, ou un banc d’imagerie pur veut encore un autre recrutement. Nous le dirons à l’appel d’intro au lieu de forcer un siège AI / ML mixte.
Les outils ouverts dès le premier jour
Chaque tuile est une page technologie ou service iQud. Le bandeau ci-dessous est le catalogue AI / ML que ces ingénieurs livrent déjà (TensorFlow, PyTorch, OpenAI, Hugging Face, OpenCV et le reste de la stack de production), pas un dump backend ou frontend.
De l’appel d’intro à une PR mergée
Un recrutement AI / ML doit livrer un modèle, une eval ou une tranche générative dans votre repo, pas rester deux mois en théâtre d’onboarding pendant que le notebook reste une rumeur.
1 Cartographier le trou AI / ML
Modèles vs NLP vs vision vs fonctionnalités génératives, maturité des données, séniorité, heures de recouvrement, et à quoi ressemble « terminé en 30 jours » en serving ou eval.
2 Shortlister de vrais ingénieurs
Nous matchons les spécialistes AI / ML disponibles à votre brief et partageons du travail de modèle de production, NLP, vision ou fonctionnalité générative pertinent.
3 Vous interviewez
Rencontrez la personne qui rejoindra le standup. Validez comment elle parle d’une eval ratée, d’une régression de serving, et du dernier modèle qu’elle a vraiment possédé au-delà du notebook.
4 Premier sprint dans vos outils
Accès au repo, chemins de données et première pull request, en général sous une semaine après le go.
Commencez par un siège. Grandissez si le backlog le dit.
La plupart des clients intègrent d’abord un ingénieur AI / ML. Une paire ou un split de surface seulement si le travail le nécessite vraiment.
Un ingénieur embarqué
Un spécialiste AI / ML rejoint votre squad, suit votre lead et travaille dans vos rituels.
Idéal pourFermer un écart d’intelligence de production sans nouveau process vendor
Siège AI / ML dédié
Un owner stable pour le modèle, la surface NLP ou la tranche générative, avec revue senior sur le sprint.
Idéal pourUn produit qui a besoin d’un owner intelligence nommé
Initiative AI / ML bornée
Une tranche définie : un premier modèle de production, un chemin d’extraction NLP, ou une fonctionnalité générative avec contrats déjà en mouvement.
Idéal pourUn jalon que vous pouvez montrer, pas un banc de recherche ouvert
Tarifs de recrutement AI / ML, par écrit
Deux façons de staffer un ingénieur AI / ML. À l’heure pour les pics et tickets définis. Un siège mensuel dédié si vous voulez quelqu’un au standup chaque jour, à un taux effectif plus bas que de laisser tourner l’horloge.
Recruter à l’heure
20 €/ heure
Capacité AI / ML flexible pour pics de features, evals et tickets bornés. Vous ne payez que les heures travaillées.
- Les mêmes ingénieurs AI / ML qu’un siège mensuel
- Idéal pour l’overflow, un fix de modèle ou une release unique
- Démarrer vite, pauser quand le pic est fini
- Facturé sur les heures réelles, pas un retainer
Meilleure valeur
Recruter pour un mois
1 840 €/ mois
Un ingénieur AI / ML nommé sur votre sprint, environ 160 heures de capacité intelligence de production dédiée, avec revue senior dans la cadence.
Un mois plein à 20 € fait 3 200 €. Ce siège est 1 840 €.
- Ingénieur nommé dans le repo, les chemins de données et le standup
- Travail modèle, NLP, vision ou générative dans le même engagement
- Mois par mois. Pas d’engagement annuel.
- Moins cher que les mêmes heures facturées à 20 €
Tarifs pour ingénieurs AI / ML dédiés (modèles de production, NLP, computer vision, fonctionnalités génératives). Mix de séniorité et recouvrement confirmés à l’appel d’intro. Nous ne cotons pas une stack que nous ne livrons pas déjà.
Pourquoi les équipes produit staffent AI / ML ici
Un développeur AI / ML médiocre produit un notebook qui marche sur son laptop. Ces ingénieurs produisent une fonctionnalité qui survit aux vraies données, à la vraie eval et à votre prochaine release.
Travail de production, pas « qui peut entraîner un notebook Colab »
Ils vivent dans le serving, l’eval, et pourquoi la régression de la semaine dernière venait d’une fuite de données qui aurait dû posséder son propre check.
Votre repo, vos données, vos heures
Recouvrement GIFT City avec l’Europe et les États-Unis. Les revues de modèle se font en direct quand vos leads sont en ligne.
Des yeux seniors sur le sprint
Vitesse mid-level sans dette de modèle sans supervision. La revue fait partie de l’engagement, pas un SKU en plus.
Dix clients par trimestre, exprès
Nous ne faisons pas tourner un banc. La capacité est limitée pour que l’ingénieur que vous interviewez soit celui du standup.
Questions de recrutement AI / ML
Commencez par un. La plupart des clients intègrent un ingénieur AI / ML senior ou mid, puis ajoutent une paire si le backlog modèle, NLP ou générative le justifie.
Les quatre quand c’est du travail produit. Un siège ML, c’est entraînement, eval et serving. Un siège NLP possède les workflows langage. Un siège vision possède détection et OCR. Un siège générative possède RAG et tranches produit LLM avec eval. Nous ne shortlistons que des ingénieurs sur des stacks que nous livrons déjà.
C’est un recrutement Python, ou un siège GenAI produit, pas ce profil AI / ML mixte de production. Dites-le à l’appel d’intro et nous n’imposerons pas un siège entraînement de modèle à un brief API ou prompt-only.
Après avoir cartographié le rôle et votre OK, les premières pull requests atterrissent en général sous une semaine, plus vite si le repo, les chemins de données et l’environnement de serving sont prêts.
Oui. GitHub, Jira, votre CI, vos standups. Nous n’inventons pas un process parallèle sauf si vous le demandez.
À l’heure (20 €) pour les pics et tickets définis. Vous ne payez que les heures travaillées. Le siège mensuel (1 840 €) est un ingénieur AI / ML nommé sur votre sprint, environ 160 heures de capacité dédiée. Le même mois facturé à l’heure ferait 3 200 €. Séniorité et recouvrement se confirment à l’appel d’intro.
Donnez au produit un ingénieur AI / ML qui peut livrer au-delà du notebook
Dites-nous modèles vs NLP vs vision vs fonctionnalités génératives, et la première chose que vous voulez en production. Nous reviendrons avec un profil nommé, une fenêtre de démarrage et un plan de deux semaines.