Founding ML Engineer – Startup Y Combinator

DESCRIPTIF DU POSTE

La personne porte le pipeline ML de bout en bout: depuis la captation multi-caméras brute sur le terrain jusqu’au jeu de données livré au laboratoire client, aux côtés de l’équipe ML cœur. Elle est l’interlocuteur technique de chaque programme client, et son pipeline détermine ce que la société est en mesure de livrer.

Ce qu’elle prend en charge:

• Vision 3D et stéréo sur des rigs de captation conçus en interne: multi-caméras RGB, RGB-D et IMU, calibration, profondeur stéréo et métrique, SLAM et trajectoires dans un repère monde, reconstruction 3D de la scène et de la manipulation.
• Suivi des mains à travers des caméras synchronisées, manipulation fine, et annotation à l’échelle face à des taxonomies clients exigeantes. Chaque jugement humain devient un label d’entraînement.
• Le contrôle qualité traité comme un problème de ML: des modèles vision-langage utilisés comme juges, des seuils propres à chaque client, des relecteurs humains là où les modèles échouent. La personne est responsable des jeux d’évaluation et de l’arbitrage sur ce qui mérite d’être validé.
• Les pipelines clients sur AWS: étendre les modules partagés, construire ce qu’exige une nouvelle spécification, et garder le débit et le coût par heure traitée sous contrôle.
• La vidéo égocentrique avec narration multilingue: reconnaissance vocale, traduction, segmentation en chapitres, contrôle qualité face à la taxonomie de chaque client.
• La relation technique avec chaque programme client: spécifications, format de livraison, premiers échantillons, boucles de retour.
• La suite: données tactiles et de téléopération aujourd’hui, apprentissage robotique sur leurs propres données à moyen terme.

VOS COMPÉTENCES

• PyTorch, CUDA, entraînement multi-GPU et inférence distribuée. Le débit compte autant que la précision.
• Géométrie multi-caméras: intrinsèques, extrinsèques caméra vers IMU, rectification fisheye, profondeur stéréo, SLAM et trajectoires dans un repère monde.
• Flux vidéo HEVC multiples et IMU haute fréquence par enregistrement, synchronisés matériellement et calibrés, livrés au format MCAP.
• Modèles VLM et speech de frontière derrière une interface unique, plus des juges en open-weight servis avec vLLM et fine-tunés sur les données maison.
• AWS: S3 pour le stockage, instances GPU et Kubernetes pour le calcul, PostgreSQL pour l'état. Le coût par heure traitée est un objectif d'ingénierie.
• Chaque seuil est tracé jusqu'à une exigence client. Chaque mise en quarantaine porte un code, des preuves et un responsable.

VOTRE PROFIL

• Stack 3D et robotique: calibration de caméras, profondeur stéréo, SLAM ou odométrie visuelle-inertielle, géométrie multi-vues, données de capteurs multimodales (vidéo, profondeur, IMU, synchronisation temporelle).
• Modèles de perception en production: détection, tracking, pose de la main et du corps, profondeur. Maîtrise solide de PyTorch: lire des architectures, les comparer et les benchmarker, entraîner ou fine-tuner quand c'est nécessaire. La perception robotique compte le plus.
• Au moins 3 ans de ML appliqué en production, idéalement issu d'une grande école d'ingénieur. Un doctorat compte dans le décompte des années et constitue un vrai plus. Moins d'expérience convient pour des profils hors normes: le critère réel est ce qui a été construit.
• Infrastructure, MLOps et passage à l'échelle: AWS (S3, instances GPU, Kubernetes), entraînement multi-GPU, model serving, pipelines de données à l'échelle, suivi d'expériences, outils de labellisation.
• Avoir déjà porté une livraison sous contrainte de délai, et savoir l'expliquer clairement à des chercheurs, à des équipes terrain et à des relecteurs.
• Ingénierie agentique: un harnais personnalisé, et des agents qui vérifient leur propre travail par des tests, des entraînements et des évaluations.
• Conscience des enjeux de sécurité: savoir comment un pipeline Linux ou cloud est attaqué (DDoS, intrusions, clés exposées, services ouverts) et comment le durcir.

Appréciés

• VLM utilisés comme juges ou annotateurs en production.
• Vision égocentrique, IMU, MCAP, ROS.
• World models, génération vidéo, VLA ou modèles de fondation robotiques.
• Un doctorat appliqué ou des publications en vision 3D ou en apprentissage robotique.

Il faut impérativement une expérience en production sur des sujets de vision ou de perception, idéalement appliqués à la vidéo.

AVANTAGES

• Rémunération de 90 000 à 120 000 dollars par an.
• Stock options entre 0,05 % et 0,2 %.
• Un budget GPU personnel.
• Poste basé à Paris, dans le bureau qui ouvre prochainement. Hybride: idéalement la plupart des jours sur site, au minimum un jour par semaine, ou une semaine par mois pour les personnes qui vivent hors de Paris.
• Travail direct avec les fondateurs et avec les plus grands laboratoires d'IA.
• Modèles de frontière sans plafond d'usage, compétences et base de connaissances partagées. Tout le monde utilise des agents, pas seulement les ingénieurs.
• Un responsable par projet, avec un à trois indicateurs qui disent si ça fonctionne.
• Communication proactive permanente: Slack, huddles, points quotidiens courts.

DÉROULEMENTS DES ENTRETIENS

• Un premier échange avec l'équipe: motivation, adéquation culturelle, fondamentaux.
• Un exercice à réaliser sur un week-end (6 à 8 heures suffisent), à partir des jeux de données publics de la société: faire tourner un système de détection et de suivi des mains sur un jeu stéréo RGB-D égocentrique, rapporter chiffres à l'appui ce qui fonctionne et ce qui échoue, corriger un problème réel, et exploiter la profondeur, la pose ou les données IMU pour aller au-delà de la détection 2D. Comparer le même système sur deux jeux de captation différents est un plus. Rendu sous forme de code accompagné d'une courte note ou de slides.
• Un débrief d'une heure avec un ingénieur ML sur l'exercice: raisonnement sur les données et les capteurs, mesures effectuées, suites envisagées.
• Un échange final avec un fondateur.
• Une réponse sous 48 heures.