Chercheur en intelligence artificielle (AI Researcher)

Le chercheur en intelligence artificielle, ou AI Researcher, formule des questions scientifiques et conçoit ou évalue de nouvelles méthodes et de nouveaux modèles. Son travail apporte à une organisation des connaissances sur ce qui fonctionne, dans quelles conditions et avec quelles limites. Il peut intervenir en recherche fondamentale ou appliquée, selon la question étudiée et les objectifs du projet.

La recherche IA ne se limite pas aux modèles de langage. Les sujets peuvent aussi concerner la modélisation de systèmes physiques ou le traitement d’images et de signaux expérimentaux. La spécialité recherchée doit donc être précisée dès la définition du poste. Une expérience sur un type de données ne suffit pas, à elle seule, à établir l’adéquation à un autre problème scientifique.

Le chercheur programme, expérimente et analyse ses résultats. Ses productions peuvent comprendre du code, un prototype, un rapport technique ou une publication. La forme attendue dépend de l’organisation et des possibilités de diffusion. Un prototype de recherche ne dit pas, à lui seul, qui prendra en charge la maintenance du système utilisé par les équipes métier.

Comparer les responsabilités avant de choisir un intitulé

Pour comparer les postes, voici les points à clarifier selon l’intitulé :

• Chercheur en IA : centrez le poste sur les questions scientifiques à explorer, les méthodes à développer et les preuves à produire.
• Data Scientist : lorsque vous comparez les postes, précisez la place respective de l’analyse des données et de la conception de méthodes nouvelles.
• Ingénieur IA : explicitez la répartition entre expérimentation, intégration des modèles et construction des systèmes. Ces activités peuvent se recouper avec celles du chercheur.

Le rattachement et l’autorité scientifique sont à clarifier avec l’employeur. Conduire une recherche, orienter les travaux d’autres chercheurs et assurer la gestion opérationnelle d’un projet correspondent à des responsabilités différentes. Leur réunion dans un poste doit être explicite.

Recruter un chercheur en IA engage l’entreprise dans un travail dont l’issue reste incertaine. La recherche peut produire des connaissances sans atteindre le résultat initialement espéré. Pour le dirigeant, l’enjeu est de préciser la décision que ces connaissances doivent éclairer : poursuivre une piste, modifier une méthode ou reconnaître une limite des modèles étudiés.

Relier la question scientifique au besoin de l’entreprise

Décrivez le problème avant de choisir un intitulé. Si votre besoin consiste à construire une application à partir de méthodes déjà identifiées, examinez aussi le rôle d’AI Engineer. Si une incertitude sur les méthodes bloque le projet, formulez cette incertitude et les éléments nécessaires pour l’étudier. Cette distinction aide à répartir les responsabilités sans supposer une frontière étanche entre recherche et ingénierie.

Évitez de fixer comme seul objectif une amélioration du modèle sans préciser ce qui sera mesuré. Reliez les critères de réussite aux données disponibles et aux conditions d’utilisation envisagées. Sur un projet de modèles de langage, l’évaluation peut porter sur la factualité, la robustesse ou la fidélité aux sources. Le choix des critères doit répondre au sujet étudié.

Préparer les décisions qui suivront les expériences

Exemple fictif : une entreprise souhaite adapter un modèle de langage à une documentation spécialisée. Avant de lancer les expériences, elle demande au chercheur de définir comment apprécier la fidélité des réponses aux documents. Elle précise également qui examinera les résultats et qui décidera de poursuivre l’intégration du modèle.

Pour éviter un recrutement mal cadré, distinguez les livrables scientifiques attendus des responsabilités de production. Prévoyez les ressources de calcul et les conditions de conservation des données et du code. Enfin, convenez de la façon de discuter les résultats qui contredisent l’hypothèse initiale. Vous pourrez ainsi apprécier le travail réalisé sans transformer l’incertitude propre à la recherche en promesse de performance.

• Formuler les questions scientifiques à étudier à partir du problème posé par l’organisation.
• Examiner l’état des connaissances pour définir les pistes de recherche pertinentes.
• Concevoir de nouvelles méthodes ou adapter les modèles au sujet étudié.
• Développer le code et les prototypes nécessaires aux expériences.
• Définir les critères techniques et expérimentaux permettant d’évaluer les modèles.
• Analyser les résultats et expliciter les incertitudes qui subsistent.
• Documenter la démarche et les choix scientifiques pour permettre leur examen.
• Communiquer les résultats dans des rapports, publications ou présentations selon les possibilités de diffusion.

Le doctorat est un parcours courant dans les postes de recherche décrits dans les sources citées. Les formations citées relèvent notamment des mathématiques appliquées, des statistiques, de l’informatique ou de la science des données. Certaines fonctions de recherche appliquée acceptent aussi une expérience significative de recherche. Le diplôme ne constitue donc ni une obligation universelle ni une preuve suffisante d’adéquation au poste.

Les acquis théoriques et pratiques

Un mémoire, une thèse ou un projet de recherche mobilise des connaissances théoriques, des choix de modélisation et l’interprétation des résultats. Les acquis utiles au poste couvrent le passage d’une question scientifique à une expérimentation, la mise en œuvre des idées dans du code ou des prototypes et la présentation des preuves et des limites dans des rapports ou des publications. La proximité avec le domaine étudié dans l’entreprise aide à distinguer les acquis directement mobilisables des sujets à approfondir.

L’anglais scientifique compte également lorsque le poste implique de lire, rédiger ou présenter des travaux dans cette langue. Les travaux accessibles ne résument pas nécessairement le parcours : leur partage dépend notamment des restrictions de confidentialité.

Distinguer expérience et autonomie

L’expérience se caractérise par les responsabilités exercées : conduite d’un projet, définition des choix expérimentaux ou contribution à l’orientation de travaux collectifs. Ces responsabilités ne correspondent pas au même degré d’autonomie. Un parcours comprenant l’encadrement de doctorants ou des projets collaboratifs peut être pertinent pour un poste comportant ces responsabilités. La contribution personnelle et les décisions prises précisent alors l’autonomie acquise.

Le socle d’évaluation GetPro

GetPro structure l’évaluation à partir d’une grille de critères priorisés. Chaque critère est associé à une façon de l’évaluer, en distinguant les éléments du parcours des capacités à approfondir en entretien. Les questions ouvertes et les exemples concrets permettent d’examiner les critères essentiels. La grille guide les échanges vers les points qui restent à éclaircir.

Les prises de références servent à recouper les responsabilités exercées et à approfondir les points relevés en entretien. Les échanges replacent les compétences dans le contexte de la collaboration et demandent des exemples précis.

Des applications proposées pour l’AI Researcher

Les questions et le cas ci-dessous sont des pistes à adapter à la spécialité scientifique et aux responsabilités du poste. Ils ne constituent pas un protocole propre à l’AI Researcher documenté chez GetPro.

1. Définir les critères et les évaluateurs

Établissez une grille reliant chaque responsabilité à une capacité observable. Pour concevoir des méthodes, retenez le raisonnement théorique et les choix de modélisation. Pour conduire les expériences, examinez le protocole, le code et l’interprétation des résultats.

Précisez les critères propres au sujet. Sur un projet de modèles de langage, vous pouvez notamment examiner la factualité ou la fidélité aux sources. Ne transformez pas ces exemples en critères obligatoires pour toute spécialité.

Si votre entreprise manque d’expertise scientifique, associez un spécialiste du domaine à l’évaluation. Confiez-lui l’examen des choix techniques et gardez la responsabilité de définir les attentes du poste.

2. Examiner une réalisation et la contribution personnelle

Demandez au candidat de présenter un travail qu’il peut partager. Faites préciser la question initiale, les méthodes envisagées, les décisions prises et les conclusions obtenues.

Distinguez ce qu’il a personnellement conçu, implémenté ou analysé du travail des autres contributeurs. Lorsqu’une publication décrit les contributions des auteurs, utilisez cette information pour approfondir l’échange. Considérez aussi les protocoles, le code et les rapports disponibles.

Un signal favorable est une explication précise des choix et de leurs limites. Une attribution floue des contributions appelle des questions complémentaires. Ne concluez pas sur le seul nombre de publications.

3. Discuter un cas proche du poste

Présentez une question de recherche, les données accessibles et les contraintes de calcul. Demandez une démarche argumentée plutôt qu’un résultat de recherche achevé.

Exemple fictif : pour un poste consacré aux modèles de langage, proposez d’examiner une méthode destinée à améliorer la fidélité des réponses à une documentation. Demandez quels critères permettraient d’apprécier cette amélioration.

Invitez le candidat à expliquer les expériences qu’il choisirait et les conclusions qu’elles permettraient réellement de tirer. Faites-lui discuter les limites des données et les incertitudes restantes.

Un protocole cohérent avec la question constitue un signal favorable. Une promesse de gain sans critères d’évaluation mérite d’être approfondie. Observez aussi la façon dont le candidat réagit à une objection scientifique.

4. Apprécier la coopération et l’encadrement

Demandez comment le candidat a discuté un choix avec des spécialistes d’autres disciplines. Invitez-le à expliquer un résultat technique à un interlocuteur qui ne connaît pas sa spécialité.

Si le poste comporte de l’encadrement, examinez une situation où il a accompagné les travaux d’un doctorant ou d’un chercheur. Faites préciser les décisions laissées à cette personne et l’aide apportée.

Pour un projet destiné à rejoindre un produit, discutez les échanges avec l’ingénierie. Demandez quels éléments le candidat transmettrait pour rendre ses résultats compréhensibles et examinables.

5. Recouper les responsabilités et conclure

Avec l’accord du candidat, préparez un échange de références centré sur les responsabilités exercées. Cherchez à préciser son autonomie scientifique, sa contribution au travail collectif et sa manière de discuter les limites des résultats.

Comparez ensuite les éléments recueillis aux critères définis au départ. Séparez les capacités observées des points encore incertains. Si une compétence essentielle reste difficile à apprécier, prévoyez un échange ciblé avec l’évaluateur compétent avant de conclure.