Ingénieur en automatisation IA et IA générative
À propos de ce rôle
Nous recherchons un ingénieur en automatisation de l'IA et en IA générative pour soutenir une organisation en croissance rapide aux États-Unis. Cette personne créera des applications basées sur l'IA, des automatisations de flux de travail, des intégrations LLM et des solutions d'automatisation des processus métier. Le candidat idéal est pratique, solide avec Python, à l'aise avec les API et expérimenté dans la transformation d'outils d'IA en solutions commerciales pratiques. Il s'agit d'un candidat idéal pour quelqu'un qui a créé des applications d'IA, des outils d'automatisation internes, des systèmes RAG, des chatbots, des agents d'IA ou des flux de travail basés sur LLM. Principales responsabilités Créer et intégrer des applications, des flux de travail et des systèmes d'automatisation basés sur l'IA Développer des outils basés sur LLM, des agents d'IA, des chatbots et des solutions de productivité internes Intégrer OpenAI, Anthropic, Gemini ou d'autres API d'IA génératives dans
Compétences / catégories
À propos des rôles data/ml
Les rôles de données et de ML sont répartis en trois camps : analystes (SQL, tableaux de bord, questions commerciales), ingénieurs (pipelines, infrastructure) et scientifiques (modélisation, expérimentation). Le titre du poste ne vous indique pas toujours lequel – lisez attentivement la description.
Compétences typiques : SQL, Python, pandas, statistiques de base ; Les rôles ML ajoutent scikit-learn / PyTorch / TensorFlow ; les rôles d'ingénierie ajoutent Airflow / dbt / Spark
Informations salariales (États-Unis, brut)
La plage typique pour les rôles de données/ml aux États-Unis est : 85 000 $ à 240 000 $/an, variant considérablement selon l'ancienneté, le stade de l'entreprise et la ville.
Estimations seulement. Pour les numéros spécifiques à l'entreprise, consultezlevels.fyi (tech), Glassdoor ou demandez lors de l'entretien.
Comment se préparer à l'entretien
Les entretiens de données sont répartis : analystes obtenez des questions d'étude de cas SQL +, ingénieurs obtenez la conception de pipeline + le codage, scientifiques obtenez des statistiques + une modélisation ML + parfois un ensemble de données à emporter. Lisez attentivement le JD et préparez-vous à la saveur réelle - ne perdez pas de temps sur PyTorch pour un rôle d'analyste.
Questions courantes dans les trois : "Comment mesureriez-vous le succès de [fonctionnalité du produit] ?", "Faites-moi découvrir un projet où les données vous ont dit quelque chose de surprenant", et Fonctions de fenêtre SQL (LAG, ROW_NUMBER, PARTITION BY – pratiquez-les spécifiquement). Pour les rôles ML, attendez-vous à une question sur le surajustement, le compromis biais-variance et sur la manière de déboguer un modèle qui fonctionne bien en formation et mal en production.
Où mène généralement ce rôle
Les parcours de carrière dans le domaine des données/ML sont devenus plus compliqués à mesure que la discipline a mûri. La progression la plus nette : Analyste Junior → Analyste Senior → Responsable Analytics du côté des analystes, Ingénieur de données junior → Senior → Personnel du côté de l'ingénierie, et Junior DS → Senior DS → Principal DS / ML Lead du côté de la modélisation. Les pics de salaire sont les plus élevés pour les ingénieurs ML et les chercheurs scientifiques des grandes entreprises technologiques.
Les évolutions interdisciplinaires sont courantes : les analystes qui apprennent l'ingénierie obtiennent souvent de meilleurs résultats que les ingénieurs qui n'ont pas appris le contexte commercial. Restez proche de l'entreprise : les données les plus précieuses sont celles que les dirigeants apportent aux discussions stratégiques, et non celles qui créent seuls les tableaux de bord.
Drapeaux rouges à surveiller
- Rôle de "Data scientist" qui est en réalité un analyste SQL. Lisez attentivement les responsabilités : s'il ne s'agit que de tableaux de bord et de requêtes ad hoc, il s'agit d'un rôle d'analyste avec un titre scientifique.
- Aucune mention de la collaboration des parties prenantes. Le travail sur les données isolément est généralement un travail sur les données qui est ignoré. Le rôle doit être intégré à une équipe commerciale.
- "AI/ML" répertorié partout mais pas de détails. S'ils ne peuvent pas nommer les problèmes réels qu'ils souhaitent résoudre avec le ML, l'entreprise recherche des mots à la mode.
- Demander « 10+ ans de Python » ou des combinaisons impossibles. Soit le JD a été rédigé par les RH sans la contribution d'une équipe de données, soit l'entreprise a des attentes irréalistes.
Questions fréquemment posées
Comment postuler à ce poste ?
Cliquez sur le bouton « Postuler sur Arbeitnow » en haut de cette page. Vous serez envoyé à l'affichage d'origine où l'employeur accepte les candidatures. Wikishopline ne collecte pas de CV ni ne traite les candidatures.
Cette annonce est-elle actuelle ?
Wikishopline regroupe quotidiennement les emplois provenant de sources partenaires (arbeitnow). Les offres datant de plus de 14 jours sont supprimées, mais vérifiez toujours que le poste est toujours ouvert sur le site de l'employeur avant de consacrer du temps à une lettre de motivation.
Wikishopline facture-t-elle aux employeurs ou aux candidats ?
Non. Les emplois regroupés sont gratuits pour les deux parties. Wikishopline accepte également les publications payantes à 5 $ / 30 jours sur /jobs/submit pour les employeurs qui souhaitent une visibilité directe – mais la liste que vous consultez provient d'un partenaire.
Qu’implique généralement un rôle data/ml ?
Les rôles de données et de ML sont répartis en trois camps : analystes (SQL, tableaux de bord, questions commerciales), ingénieurs (pipelines, infrastructure) et scientifiques (modélisation, expérimentation). Le titre du poste ne vous indique pas toujours lequel – lisez attentivement la description.
Quelle est l'échelle salariale typique pour les postes data/ml aux États-Unis ?
Environ 85 000 à 240 000 USD/an, selon l'ancienneté, l'emplacement et le stade de l'entreprise. Il s’agit volontairement d’un large éventail – vérifiez par rapport àlevels.fyi ou Glassdoor pour l’entreprise spécifique.