About the Role

You will shape Qantev’s next-generation AI models, from information extraction to anomaly detection.

Your work will power document understanding, medical code inference, and scalable fraud detection architectures.

You will occupy a central position in the model development lifecycle, writing high-quality production code for our inference server, aligning closely with the product and platform teams,

and designing automated evaluation pipelines to continuously assess and improve performance.

Responsibilities

• Model Design: Architect and develop deep learning models for NLP (transformers, VLMs), anomaly detection (GNNs, autoencoders), and UI-L integration.

• Custom Solutions: Build and fine-tune domain-specific LLMs or vision-language models for document OCR, field extraction, and medical inference.

• Scalable Infrastructure: Design model-serving pipelines, considering batching, sharding, quantization, and monitoring.

• Continuous Learning: Implement active learning and feedback loops to retrain models based on investigator annotations.

• Performance Analysis: Define and track precision, recall, NGCD, and other metrics; conduct A/B tests and rule simulations.

• Collaboration: Work closely with MLOps, data engineers, and product teams to deploy models in production and iterate rapidly.

Required Qualifications

• 5+ years in machine learning or deep learning engineering.

• Expert in PyTorch or TensorFlow; experience with the Hugging Face ecosystem.

• Strong background in NLP, vision-language models, and graph neural networks.

• Familiarity with model optimization techniques (FT, LoRA, quantization, pruning).

• Solid understanding of MLOps: containerization, monitoring, and CI/CD for ML.

• Excellent communication and documentation skills.

Nice-to-Have

• Experience in healthcare or insurance ML applications.

• Publications in top-tier ML/NLP conferences.

• Knowledge of Bayesian re-ranking, self-supervised learning, or agentic autoML frameworks.

Recruitment Process

• Screening Interview: A brief initial conversation to understand your background and interests.

• Machine Learning Interview: A deep dive into your technical expertise in ML, including model

building and evaluation.

• System Design Interview: Assess your ability to design scalable and maintainable ML systems and

pipelines.

***

A propos du poste

Vous façonnerez les modèles d'IA de nouvelle génération de Qantev, de l'extraction d'informations à la détection d'anomalies. Votre travail alimentera la compréhension des documents, l'inférence du code médical et les architectures évolutives de détection des fraudes. Vous occuperez une position centrale dans le cycle de vie du développement des modèles, en écrivant du code de production de haute qualité pour notre serveur d'inférence, en vous alignant étroitement avec les équipes produit et plateforme, et en concevant des pipelines d'évaluation automatisés pour évaluer et améliorer continuellement les performances.

Responsabilités

• Conception de modèles : Architecturer et développer des modèles d'apprentissage profond pour le NLP (transformateurs, VLMs), la détection d'anomalies (GNNs, autoencodeurs), et l'intégration UI-L.
• Solutions personnalisées : Construire et affiner des LLM spécifiques à un domaine ou des modèles vision-langage pour l'OCR de documents, l'extraction de champs et l'inférence médicale.
• Infrastructure évolutive : Concevoir des pipelines au service des modèles, en tenant compte de la mise en lots, de la répartition, de la quantification et de la surveillance.
• Apprentissage continu : Mettre en œuvre l'apprentissage actif et les boucles de rétroaction pour recycler les modèles sur la base des annotations des chercheurs.
• Analyse des performances : Définir et suivre la précision, le rappel, le NGCD et d'autres paramètres ; effectuer des tests A/B et des simulations de règles.
• Collaboration : Travailler en étroite collaboration avec les MLOps, les ingénieurs de données et les équipes de produits pour déployer des modèles en production et procéder à des itérations rapides.

Qualifications requises

• 5+ ans dans l'apprentissage automatique ou l'ingénierie de l'apprentissage profond.
• Expert en PyTorch ou TensorFlow ; expérience avec l'écosystème Hugging Face.
• Solides connaissances en NLP, modèles vision-langage et réseaux neuronaux graphiques.
• Familiarité avec les techniques d'optimisation des modèles (FT, LoRA, quantification, élagage).
• Solide compréhension des MLOps : conteneurisation, surveillance et CI/CD pour
• Excellentes compétences en matière de communication et de documentation.

Compétences 

• Expérience des applications ML dans le domaine de la santé ou de l'assurance.
• Publications dans des conférences de premier plan sur le ML/NLP.
• Connaissance du reclassement bayésien, de l'apprentissage auto-supervisé ou des cadres autoML agentiques.

Processus de recrutement

• Entretien de sélection : Une brève conversation initiale pour comprendre vos antécédents et vos intérêts.
• Entretien sur l'apprentissage automatique : Un examen approfondi de votre expertise technique dans le domaine de l'apprentissage automatique, y compris la construction et l'évaluation de modèles.
• Entretien sur la conception de systèmes : Évaluer votre capacité à concevoir des systèmes et des pipelines de ML évolutifs et faciles à maintenir.