Scientifique en IA/ML appliquée (Systèmes ML et LLM) / Applied AI/ML Scientist (ML & LLM Systems)

(English version below)

Rejoignez une entreprise basée à Montréal qui aide les organisations du monde entier à créer un parcours personnalisé, enrichissant et épanouissant pour leurs employés. Explorance propose des solutions innovantes d'analyse de la rétroaction, car nous croyons que chaque expérience compte.

Nous recherchons un(e) scientifique spécialisé(e) en apprentissage automatique appliqué pour nous aider à concevoir, évaluer et déployer en production des systèmes d'apprentissage automatique et de modélisation de l'apprentissage (LLM) qui facilitent la prise de décision pour des millions d'utilisateurs dans le monde. Ce poste se situe à l'intersection de la recherche et du produit, et se concentre sur l'expérimentation, les cadres d'évaluation et les performances en situation réelle, et non pas uniquement sur la modélisation.

Description du Rôle:

• Concevoir et exécuter des expériences pour évaluer les approches ML et LLM.
• Définir des métriques, des ensembles de données et des critères d'acceptation pour les fonctionnalités proposées.
• Analyser les erreurs, les cas limites et les compromis coût-qualité.
• Collaborer avec les ingénieurs pour traduire les résultats en spécifications prêtes à être mises en œuvre.
• Réviser la qualité des données, les stratégies d'étiquetage et les lacunes des ensembles de données.
• Documenter les conclusions, les recommandations et les justifications des décisions.
• Conseiller sur la pertinence des LLM, du ML traditionnel ou de solutions plus simples pour un problème donné.

Responsabilités Clés:

• Concevoir et exécuter des expériences de recherche appliquée sur les systèmes ML, y compris:
  • Modèles ML traditionnels (par exemple, classification, scoring, classement)
  • Approches basées sur LLM lorsque c'est approprié
• Définir les méthodologies d'évaluation, les métriques, les ensembles de données et les critères d'acceptation pour les fonctionnalités basées sur ML
• Évaluer les compromis entre performance du modèle, interprétabilité, coût et complexité opérationnelle
• Analyser les erreurs, les cas limites, et les entrées ambiguës ; proposer des stratégies de mitigation concrètes
• Contribuer aux systèmes ML existants en soutenant:
  • La stratégie de données et les approches d'étiquetage
  • L'entraînement, la validation et l'évaluation des modèles
• Évaluer quand les LLM sont appropriés par rapport à quand les approches ML standard sont suffisantes
• Produire des résultats de recherche clairs, y compris:
  • Conclusions et recommandations écrites
  • Spécifications prêtes pour la mise en œuvre pour les équipes d'ingénierie
• Collaborer étroitement avec les ingénieurs en logiciels ML et le responsable de l'équipe de recherche appliquée pour assurer une transition fluide de la recherche à la production

Qualifications Requises:

• Expérience solide en apprentissage automatique appliqué dans des environnements orientés production
• Expérience pratique avec Python et PyTorch ou des cadres ML similaires
• Expérience de la conception et de l'exécution d'expériences structurées ML et LLM (locales et tierces)
• Capacité à définir et interpréter des métriques d'évaluation quantitatives
• Compétences analytiques solides pour l'analyse des erreurs et la comparaison des modèles
• Capacité à documenter clairement les résultats et les justifications des décisions
• Expérience de travail avec à la fois des modèles ML traditionnels et des systèmes basés sur LLM
• Familiarité avec des tâches de NLP telles que la classification, l'extraction ou le résumé
• Expérience de travail avec des ensembles de données étiquetés et l'amélioration itérative des données
• Familiarité avec les bases de données relationnelles (par exemple, Postgres, MSSQL) pour les données expérimentales

Préférences / Atouts:

• Familiarité avec les tableaux de bord de surveillance ou d'évaluation (par exemple, Grafana)
• Expérience de collaboration avec des équipes de plateforme ou d'infrastructure

Propriété & Impact:

• Posséder les standards d'évaluation et les critères de qualité pour les systèmes ML
• S'assurer que les approches ML sont validées avant l'investissement en production
• Soutenir la cohérence et la réutilisation des capacités ML et LLM
• Permettre l'adoption délibérée et fondée sur des preuves de nouvelles techniques tout en renforçant les fondations ML existantes

Le candidat idéal:

• Est un chercheur appliqué pragmatique qui optimise pour la valeur client plutôt que pour l'élégance technique.
• Est à l'aise avec le travail sous des contraintes réelles (coût, latence, qualité des données).
• Possède un jugement fort et reste calme face à l'incertitude.
• Traite des données et de l'évaluation comme des préoccupations d'ingénierie de première classe.
• Peut communiquer clairement les résultats et les compromis à des publics non chercheurs.
• Équilibre curiosité et discipline et suit les problèmes jusqu'à des résultats exploitables.
• Incarne l'état d'esprit de bâtisseur–savant–opérateur : pratique, rigoureux et conscient des opérations.

Autres exigences :

Chez Explorance, l’inclusion est au cœur de nos valeurs et guide nos actions au quotidien. Nous plaçons l’humain au centre de tout ce que nous faisons et sommes fiers de notre authenticité et de notre culture inclusive. Nous encourageons les personnes de toute race, religion, origine ethnique, identité de genre, orientation sexuelle, âge, statut d’immigration, situation de handicap ou toute autre caractéristique protégée par la loi à postuler.

Les décisions liées à l’emploi sont prises sans égard à ces caractéristiques, et toute offre d’emploi est conditionnelle à la réussite des vérifications d’antécédents et de références.

Pour plus d’informations, visitez explorance.com ou contactez-nous sur LinkedIn, Facebook et X.

Join a Montreal headquartered company that helps organizations around the world create a personalized journey of impact and fulfillment for their people. Explorance offers innovative Feedback Analytics solutions because we believe that each experience matters.

We’re looking for an Applied ML Scientist to help us design, evaluate, and productionize machine learning and LLM-based systems that power decision-making for millions of users globally. This role sits at the intersection of research and product, focusing on experimentation, evaluation frameworks, and real-world performance—not just model building.

Role Description:

• Designing and running experiments to evaluate ML and LLM approaches.
• Defining metrics, datasets, and acceptance criteria for proposed features.
• Analyzing errors, edge cases, and cost–quality trade-offs.
• Collaborating with engineers to translate findings into implementation-ready specifications.
• Reviewing data quality, labeling strategies, and dataset gaps.
• Documenting conclusions, recommendations, and decision rationales.
• Advising on whether LLMs, traditional ML, or simpler solutions are most appropriate for a given problem.

Key Responsibilities:

• Design and execute applied research experiments across ML systems, including:
  • Traditional ML models (e.g., classification, scoring, ranking)
  • LLM-based approaches where appropriate
• Define evaluation methodologies, metrics, datasets, and acceptance criteria for ML-driven features
• Assess trade-offs between model performance, interpretability, cost, and operational complexity
• Analyze errors, edge cases, and ambiguous inputs; propose concrete mitigation strategies
• Contribute to existing ML systems by supporting:
  • Data strategy and labeling approaches
  • Model training, validation, and evaluation
• Evaluate when LLMs are appropriate versus when standard ML approaches are sufficient
• Produce clear research outputs, including:
  • Written conclusions and recommendations
  • Implementation-ready specifications for engineering teams
• Collaborate closely with ML Software Engineers and the Applied Research Team Lead to ensure smooth handoff from research to production

Required Qualifications:

• Strong experience in applied machine learning in production-oriented environments
• Hands‑on experience with Python and PyTorch or similar ML frameworks
• Experience designing and running structured ML and LLM (local and third party) experiments
• Ability to define and interpret quantitative evaluation metrics
• Strong analytical skills for error analysis and model comparison
• Ability to clearly document findings and decision rationales
• Experience working with both traditional ML models and LLM-based systems
• Familiarity with NLP tasks such as classification, extraction, or summarization
• Experience working with labeled datasets and iterative data improvement
• Exposure to relational databases (e.g., Postgres, MSSQL) for experiment data

Preferred / Nice-to-Have:

• Familiarity with monitoring or evaluation dashboards (e.g., Grafana)
• Experience collaborating with platform or infrastructure teams

Ownership & Impact:

• Own evaluation standards and quality criteria for ML systems
• Ensure ML approaches are validated before production investment
• Support consistency and reuse across ML and LLM capabilities
• Enable deliberate, evidence-based adoption of new techniques while strengthening existing ML foundations

Candidate Requirements

• Is a pragmatic applied researcher who optimizes customer value over technical elegance.
• Is comfortable working under real-world constraints (cost, latency, data quality).
• Has strong judgment and remains calm under uncertainty.
• Treats data and evaluation as first‑class engineering concerns.
• Can clearly communicate findings and trade‑offs to non‑research audiences.
• Balances curiosity with discipline and follows problems through to actionable outcomes.
• Embodies the builder–scholar–operator mindset: hands‑on, rigorous, and operationally aware.

Other Requirements

About Explorance

Explorance empowers organizations with next‑generation feedback analytics to accelerate the insight‑to‑action cycle, guided by our philosophy of Feedback for the Brave. With over 20 years of expertise, Explorance is a member of the World Economic Forum and a trusted partner to 35% of Fortune 100 companies and 25% of the world’s top higher‑education institutions.

Our award‑winning solutions—including Blue, Metrics That Matter, and MLY—have impacted more than 25 million individuals worldwide. Consistently recognized as a top employer by Great Place to Work®, a Brandon Hall AI Award winner, and a two‑time Global Leader in the 360‑degree feedback market by Fortune Business Insights, Explorance continues to lead with purpose, innovation, and heart.

Visit explorance.com or LinkedIn, Facebook, X.

#J-18808-Ljbffr