Machine Learning Engineer (Servicing ML)

Rôle

Rejoignez l’équipe Servicing ML d’Affirm en tant que Machine Learning Engineer (Servicing ML). Vous concevrez et améliorerez des systèmes d’IA qui automatisent les opérations client, en collaborant avec des équipes interfonctionnelles pour faire passer les modèles de l’idée à la production.

Missions

• Construire et améliorer des systèmes d’apprentissage automatique et d’IA pour automatiser les opérations client.
• Collaborer avec des ingénieurs ML et des parties prenantes pour déployer des modèles en production.
• Développer des systèmes d’IA pour automatiser le traitement des litiges et des rétrofacturations à partir de preuves structurées.

Responsabilités (implicites)

• Développer du code production-ready, maintenable, testé et extensible.
• Contribuer à l’itération des modèles et aux pratiques d’ingénierie (debugging, code reviews).
• Participer au cycle ML complet (entraînement, expérimentation, monitoring).

Exigences

• 2+ ans d’expérience en tant que Machine Learning Engineer.
• Expérience avec des LLM via APIs (ex. OpenAI, Anthropic), incluant :
  • extraction structurée
  • prompt engineering
  • orchestration (ex. LangChain / LangGraph)
• Compétences solides en Python et écriture de code de qualité production.
• Capacité à transformer un problème métier en solution multi-composants.
• Expérience de modèles pour la classification tabulaire, idéalement avec des gradient-boosted decision trees (ex. LightGBM, XGBoost, CatBoost).
• Aisance avec une grosse base de code : debugging, retours via code reviews.
• Expérience avec des outils du cycle de vie ML (ex. Kubeflow, Airflow, MLflow ou équivalents).
• Familiarité avec le traitement de données documentaires / non structurées (PDF/image extraction, parsing de texte, etc.).
• Forte capacité de collaboration et communication écrite/orale.
• Capacité à prendre ownership : feedback proactif et démarche d’amélioration continue.
• Expérience avec des outils de développement assistés par IA (ex. Claude Code, Cursor).

Atouts

• Expérience démontrée sur des cas d’usage documentaires (preuves, extraction, parsing) et intégration en pipeline jusqu’en production.