Contexte

STIB-MIVB (l’opérateur de transport public de Bruxelles) développe plusieurs services d’IA à destination des employés et des clients, desservant nos clients et collaborateurs à travers l’organisation. Les services d’IA sont construits et opérés sur notre STIB AI Platform.

Votre rôle

Nous recrutons un Senior AI Engineer pour rejoindre l’équipe Digital Innovation / AI CoE durant les phases de Build et d’hypercare de certains de nos services d’IA les plus complexes. Vous travaillerez aux côtés de l’AI Platform Architect interne de la STIB, de l’autre Senior AI Engineer (déjà en place), ainsi que des équipes projet (project manager, business analyst, solution architect), afin de transformer nos projets d’IA en services opérationnels, évalués et maintenables.

L’AI Platform fonctionne sur un modèle d’exploitation hybride : services managés Azure (Azure AI Foundry avec la famille de modèles OpenAI pour LLM et embeddings, Azure AI Search, Azure API Management, Azure AI Content Safety) combinés avec des composants open-source auto-hébergés sur AKS (orchestration d’agents en Python avec LangChain, pipeline d’ingestion), avec MLflow sur Databricks pour l’évaluation et le tracing. L’équipe Digital Innovation / AI CoE possède l’Infrastructure-as-Code pour toutes les ressources Azure à portée applicative, utilisant Terraform et les pipelines Azure DevOps.

Ce que vous allez livrer

Les activités varient selon les projets. Typiquement, vous livrerez :

• le pipeline RAG de bout en bout, de la stratégie de récupération à la génération de réponses
• le pipeline d’ingestion : connecteurs vers les plateformes sources, découpage, embedding, rafraîchissement incrémental
• la gestion des droits d’accès (security trimming) et la propagation des ACL
• l’orchestration des agents, les modèles de prompt et les garde-fous
• la configuration d’évaluation et de tracing : jeux d’évaluation offline, métriques de récupération et de qualité des réponses, tracing bout à bout des requêtes et des étapes d’agent
• les artefacts Terraform, Helm et Azure DevOps nécessaires au déploiement et à l’exploitation du service
• Observabilité et contrôle des coûts : instrumentation de la latence, consommation de tokens et coût d’exécution, ainsi que détection de régressions de qualité après des changements de modèle ou de prompt
• Hypercare et début de production : analyse d’incidents, tuning, runbooks et documentation, et transfert du service à l’ingénieur qui assurera la phase Run