Chercheur Scientifique Appliqué de Niveau Intermédiaire à Senior (Systèmes ML Appliqués et LLM) / Intermediate to Senior Applied Research Scientist (Applied ML & LLM Systems)

(English version below)

Explorance est un leader mondial de l'analyse des retours d'information, aidant les établissements d'enseignement supérieur et les entreprises à prendre de meilleures décisions grâce aux données. Nos solutions, notamment Blue, BlueX, Metrics That Matter et MLY, permettent à nos clients de boucler la boucle des retours, d'améliorer l'engagement et de susciter des changements significatifs.

Dans le cadre de la croissance continue de notre écosystème de produits, nous recherchons un(e) Responsable de la documentation produit afin d'optimiser la clarté, la cohérence et l'impact de la communication autour de nos produits, tant auprès de nos clients que de nos équipes internes.

Description du Rôle: 

Les activités quotidiennes incluent:

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.

Aperçu du Rôle: 

Ce rôle renforce la fonction de recherche appliquée en dirigeant l'expérimentation, l'évaluation et la validation à travers une gamme de systèmes d'apprentissage automatique appliqués. Alors que les approches basées sur LLM deviennent une partie de plus en plus importante de la feuille de route, le rôle soutient et fait évoluer les pratiques ML existantes de l'organisation, y compris les modèles de classification et autres modèles prédictifs.

L'accent est mis sur la détermination de la faisabilité, de la qualité et des limites des approches ML avant leur passage en production. Ce rôle se situe en amont de l'ingénierie, fournissant des recommandations basées sur des preuves, des cadres d'évaluation et des spécifications claires qui réduisent les risques de livraison et soutiennent la cohérence à long terme de la plateforme.

C'est un rôle de recherche appliquée pratique, ancré dans les contraintes réelles du produit et de l'opération.

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

Exigences pour le Candidat : 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.

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.

 *************************************************************************************************************

Explorance is a global leader in feedback analytics, helping organizations in higher education and enterprise markets make better decisions through data. Our solutions—including Blue, BlueX, Metrics That Matter, and MLY—enable customers to close feedback loops, improve engagement, and drive meaningful change.

As our product ecosystem continues to grow, we are seeking a Product Documentation & Communications Lead to elevate the clarity, consistency, and impact of how our products are communicated across customers and internal teams.

Role Description:

Day-to-day activities include:

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.

At Explorance, we take inclusion to heart and live it each day. We put the human first in everything we do and take pride in our authenticity and culture of inclusion. We encourage candidates of any race, religion, ethnicity, gender identity, sexual orientation, age, immigration status, disability, or other legally protected characteristics to apply.

Employment decisions are made without regard to these characteristics, and all offers of employment are contingent upon the successful completion of background and reference checks.

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.