CV AI Engineer : exemple et modèle
Voici comment, en tant qu'AI Engineer en Suisse, vous pouvez démontrer des modèles en production, une maturité MLOps et des connaissances en gouvernance à l'aide de chiffres concrets plutôt que de mots-clés.
Actuellement 27 postes de Ingénieur IA ouverts en Suisse, dans 9 cantons, dont 3 publiés ces 7 derniers jours. vontobel en publie le plus.
Exemple de CV — modèle de deux pages
Ce modèle est directement modifiable — ou téléversez votre CV actuel, il sera repris automatiquement dans cette mise en page.
Quel diplôme est attendu pour les AI Engineers en Suisse ?
On attend généralement un MSc de l'ETH Zurich, de l'EPFL ou d'une haute école spécialisée en informatique, data science ou génie électrique, complété par une expérience de production démontrable.
La voie classique passe par un BSc en informatique ou en data science dans une haute école spécialisée telle que la FHNW, la ZHAW, la HSLU ou l'OST, puis par un MSc en data science, informatique ou computational science à l'ETH Zurich, à l'EPFL ou dans une haute école spécialisée. Les reconversions depuis la physique, les mathématiques ou le génie électrique sont également courantes ; l'essentiel est alors de démontrer le lien avec l'ingénierie logicielle. Indiquez le diplôme avec son intitulé complet, l'institution et l'année, par exemple « MSc ETH en Data Science, ETH Zurich, 2017 ».
Positionnez vos formations continues de manière crédible : un CAS ou un MAS en machine learning, data engineering ou AI management à la HSLU, la ZHAW ou la BFH a bien plus de poids en Suisse qu'une longue liste de cours en ligne. Les certifications des éditeurs comme AI-102, Databricks ML Professional ou Google Professional Machine Learning Engineer sont pertinentes si elles correspondent au cloud de l'entreprise visée. Pour les postes en banque, assurance ou pharma, ajoutez une certification en gouvernance, par exemple ISO/IEC 42001, car la capacité d'audit fait partie intégrante du rôle.
Si vous avez étudié à l'étranger, faites reconnaître l'équivalence de niveau via Swiss ENIC et mentionnez la référence dans votre CV. Les candidats hors UE/AELE devraient indiquer directement leur statut de séjour dans l'en-tête, à savoir permis B, C, L ou G, car les recruteurs craignent sinon des questions de contingent. S'il vous manque encore un ancrage suisse, un stage, un travail de master avec un partenaire industriel ou un projet dans le cadre d'un programme soutenu par Innosuisse peuvent aider.
Comment présenter votre expérience professionnelle et vos projets en tant qu'AI Engineer ?
Montrez, pour chaque poste, quels modèles ont réellement fonctionné en production, pour combien d'utilisateurs, avec quelle latence, quelle qualité et à quels coûts.
Décrivez d'abord le contexte : taille de l'équipe, secteur, volume de données, cloud utilisé et si vous étiez responsable de prototypes ou de systèmes en production. La différence entre un « proof of concept » et un « endpoint en production avec SLA » est la question la plus fréquente lors des entretiens en Suisse. Formulez ensuite trois à quatre points avec des chiffres : taux d'hallucination réduit de 12 à 3 pour cent, MAPE amélioré de 18 à 11 pour cent, coûts d'inférence réduits de CHF 4.20 à CHF 0.90 pour 1'000 requêtes.
Séparez clairement vos compétences : travail LLM et RAG, machine learning classique, data engineering, MLOps et gouvernance. Mentionnez des outils concrets avec votre rôle précis, par exemple MLflow pour le model registry, Argo CD pour les déploiements, Weaviate pour la recherche vectorielle et Terraform pour l'infrastructure. Évitez les barres de progression pour les compétences ; les responsables du recrutement en Suisse évaluent plutôt les preuves de projets, la qualité du code et la question de savoir si vous avez suivi un modèle après sa mise en production.
Ajoutez une brève section projets avec deux à trois références : contributions open source, profil GitHub, publications ou résultat Kaggle. L'important est le lien avec la valeur business, c'est-à-dire le temps de travail économisé, les coûts d'erreur évités ou le chiffre d'affaires supplémentaire en CHF. Si la confidentialité s'impose, anonymisez le secteur (« assureur maladie suisse, 1'200 collaborateurs ») plutôt que d'omettre les indicateurs.
Longueur, photo et particularités suisses : à quoi les recruteurs sont-ils attentifs ?
Deux pages, une photo sobre, des indications claires sur le permis, la date d'entrée et les attentes salariales constituent la norme.
Limitez votre CV à deux pages, trois au maximum si vous avez plus de dix ans d'expérience, et résumez les postes plus anciens en une ligne. Une photo de portrait professionnelle reste courante en Suisse et n'est que rarement pénalisante pour des postes tech ; elle n'est toutefois pas obligatoire. Des informations comme l'année de naissance, la nationalité ou le permis de séjour, le lieu de domicile et les coordonnées ont leur place dans l'en-tête, contrairement à l'état civil et à la confession, qui n'y figurent plus.
Veillez à indiquer les mois sans interruption, car les services de ressources humaines comparent ces informations avec les certificats de travail. Mentionnez votre délai de résiliation (souvent trois mois) et votre date d'entrée possible, ce qui accélère nettement le processus. Si une fourchette salariale est demandée, orientez-vous sur le marché : les postes d'entrée se situent souvent entre CHF 95'000 et CHF 115'000, les AI Engineers expérimentés entre CHF 130'000 et CHF 160'000, et les profils seniors dans le secteur financier zurichois au-delà.
Envoyez un fichier PDF portant un nom de fichier explicite et utilisez une mise en page à une colonne, lisible par un ATS, sans texte en graphique. Rédigez le dossier dans la langue de l'annonce : allemand en Suisse allemande, français en Romandie, anglais pour les groupes internationaux et les start-ups. Tenez également à disposition vos certificats de travail, vos diplômes et deux personnes de référence, et mentionnez dans le CV « références sur demande ».
Où les Ingénieur IA sont recherchés en Suisse
Répartition des 27 postes ouverts par canton.
Chiffres sous forme de tableau
| Canton | annonces |
|---|---|
| Zürich | 5 |
| Genf | 3 |
| Waadt | 2 |
| Aargau | 2 |
| Basel-Stadt | 2 |
| Bern | 1 |
| Wallis | 1 |
| Tessin | 1 |
Quelles langues les annonces exigent
Sur 21 annonces mentionnant une langue — entre parenthèses, celles exigeant un niveau professionnel.
Chiffres sous forme de tableau
| Langue | annonces |
|---|---|
| anglais | 15 (14) |
| allemand | 8 (8) |
| italien | 2 (2) |
Qui recherche des Ingénieur IA en Suisse
Employeurs avec le plus de postes ouverts. Les agences de placement sont exclues.
Chiffres sous forme de tableau
| Employeur | annonces |
|---|---|
| vontobel | 3 |
| Techyon | 2 |
| RUAG | 1 |
| Lengacher & Partner GmbH | 1 |
| Kraken | 1 |
| Callista | 1 |
Temps plein ou temps partiel ?
Comment les postes sont publiés.
Chiffres sous forme de tableau
| Taux | annonces |
|---|---|
| Vollzeit / plein temps | 17 |
| Teilzeit / partiel | 1 |
| Temporär | 2 |
Le CV en texte intégral
À relire et à reprendre.
Nadine Brunner
Senior AI Engineer, MSc ETH en Data Science
Senior AI Engineer avec 7 ans d'expérience dans la conception de systèmes LLM et de machine learning en production pour des banques, assurances et industries en Suisse. Je suis responsable de l'ensemble du cycle de vie, de la pipeline de données au fine-tuning et à l'architecture de retrieval, jusqu'au monitoring, à la maîtrise des coûts et à la capacité d'audit. Je supervise actuellement 18 cas d'usage en production sur Azure Switzerland North et je pilote l'inventaire IA conformément à l'EU AI Act ainsi qu'à l'ISO/IEC 42001.
Ce qui me distingue
Architecture RAG avec qualité de réponse mesurable: Je construis des pipelines de retrieval avec recherche hybride, reranking et stratégies de chunking, et j'en démontre la qualité à l'aide de jeux de données de référence (ground truth) et de métriques RAGAS plutôt que de simples démonstrations : taux d'hallucination réduit de 12 à 3 pour cent.
MLOps du notebook jusqu'au SLA: L'entraînement des modèles, le model registry, le déploiement canary et le monitoring du drift passent chez moi par des pipelines CI/CD avec MLflow et Argo CD ; le passage de l'expérimentation à un endpoint en production prend 4 jours au lieu de 6 semaines.
Gestion des données selon les exigences suisses: Expérience de la résidence des données dans des régions cloud suisses, de la pseudonymisation conforme à la nLPD et des exigences de la FINMA en matière d'externalisation ; trois projets bancaires ont passé la revue des risques interne sans mesure correctrice.
Transparence des coûts par token et par prédiction: Je chiffre chaque cas d'usage en CHF pour 1'000 requêtes, combine des small language models avec du caching et de la quantification, et j'ai ainsi réduit un budget annuel de CHF 430'000 à CHF 90'000.
Réalisations clés
Assistant sinistres pour 240'000 documents. Mise en place d'un assistant RAG pour le traitement des sinistres d'un assureur : 240'000 documents indexés, temps de traitement par dossier réduit de 14 à 6 minutes, taux d'adoption des utilisateurs de 87 pour cent après 6 mois auprès de 210 gestionnaires de sinistres.
Prévision de la demande pour 1,2 million de combinaisons. Développement d'une plateforme de forecasting pour le retail : MAPE amélioré de 18 à 11 pour cent, scoring batch nocturne de 1,2 million de combinaisons article-filiale en 35 minutes, pertes de marchandises réduites de CHF 1,4 million par an.
Preuve de gouvernance sans arrêt de projet. Mise en place d'un inventaire IA de 18 cas d'usage selon les classes de risque de l'EU AI Act et préparation à l'ISO/IEC 42001 ; audit externe avec 0 constat majeur, processus de validation pour les nouveaux cas d'usage raccourci de 8 à 3 semaines.
Expérience professionnelle
Senior AI Engineer — Alpstein Intelligence AG, Zurich, depuis 03/2022
Équipe IA de douze personnes ; services LLM et ML en production pour assureurs et banques, hébergés sur Azure Switzerland North.
- Construction d'une plateforme RAG avec recherche hybride et reranking : temps de réponse moyen réduit de 9 à 1,8 seconde, taux d'hallucination de 12 à 3 pour cent
- Coûts d'inférence par 1'000 requêtes réduits de CHF 4.20 à CHF 0.90 grâce au caching, au routing et à la quantification, économie annuelle de CHF 340'000
- Mise en place d'une pipeline MLOps avec MLflow, Kubernetes et Argo CD : cycle de déploiement réduit de 6 semaines à 4 jours, 18 modèles en exploitation avec monitoring du drift
- Encadrement de 3 ingénieurs juniors et introduction d'un standard de revue de code, part des pipelines testées augmentée de 45 à 92 pour cent
Machine Learning Engineer — Limmat Analytics AG, Zug, 08/2019 - 02/2022
Plateforme de données pour clients retail et logistique sur Databricks ; responsable des modèles de forecasting et de personnalisation.
- Développement d'une prévision de la demande avec gradient boosting et reconciliation hiérarchique : MAPE amélioré de 18 à 11 pour cent
- Mise en place d'un feature store pour 2 To de données de vente, réutilisation des features sur 6 modèles, durée d'entraînement réduite de 5 heures à 40 minutes
- Validation d'un modèle de recommandation par test A/B auprès de 180'000 utilisateurs : chiffre d'affaires par session en hausse de 4,5 pour cent avec une latence stable sous 120 ms
- Introduction d'un tableau de bord de monitoring de la qualité des données, incidents de pipeline par mois réduits de 7 à 1
Data Scientist (Computer Vision) — Vorai Systems GmbH, Saint-Gall, 09/2017 - 07/2019
Vision industrielle pour un sous-traitant de la technologie médicale ; déploiement edge directement sur les lignes de production.
- Détection de défauts entraînée avec des modèles CNN sur 45'000 images annotées : score F1 de 0,94, taux de rebut réduit de 22 pour cent
- Déploiement des modèles sur 6 lignes de production via NVIDIA Jetson, temps d'inférence de 40 ms par image à 1'800 pièces par heure
- Processus d'annotation divisé par deux grâce à l'active learning : effort de labellisation réduit de 320 à 150 heures par version de modèle
- Rédaction de la documentation de validation pour des clients réglementés, accompagnement de 2 audits clients sans remarque
Formation
Master of Science ETH, Data Science — ETH Zurich · 2017
Bachelor of Science HES, Informatique, spécialisation ingénierie des données — FHNW Brugg-Windisch · 2015
CAS, Machine Learning et Data Science — Haute école de Lucerne (HSLU) · 2021
Microsoft Certified: Azure AI Engineer Associate (AI-102), 2023 · Databricks Certified Machine Learning Professional, 2022 · ISO/IEC 42001 Lead Implementer (système de management de l'IA), 2024 · AWS Certified Machine Learning - Specialty, 2020