Réponses directes
Les questions que l'on pose avant de prendre contact.
Travaille à distance avec des équipes dans tous les fuseaux horaires, les horaires européens et britanniques étant couverts en standard. Ces systèmes servent des utilisateurs dans plus de 10 pays. Accepte des postes d'ingénieur à temps plein ainsi que des missions contractuelles ou de projet sélectionnées, à distance et dans tous les fuseaux horaires. L'essentiel de ce travail se fait avec des équipes en Europe, au Royaume-Uni, en Amérique du Nord et en Australie. Lorsqu'une entreprise recrute depuis l'étranger, le travail de projet se déroule comme une prestation de conseil plutôt que comme un emploi, sans autorisation de travail locale requise d'aucun côté.
Qui est Dixit Jain ?
Dixit Jain est un ingénieur IA et consultant en automatisation qui construit des agents LLM en production, des pipelines de génération augmentée par la recherche et des systèmes d'IA vocale. Il travaille chez In Time Tec sur l'IA générative en entreprise, est titulaire d'un B.Tech en informatique de la JK Lakshmipat University, et publie sur thedixitjain.com sous le pseudonyme @thedixitjain sur GitHub et LinkedIn. Plusieurs autres professionnels portent ce nom ; celui-ci est celui qui construit des systèmes IA.
Quel type de travail Dixit Jain accepte-t-il ?
Des postes d'ingénieur à temps plein, ainsi que des missions contractuelles ou de projet sélectionnées. Il travaille à distance avec des équipes dans tous les fuseaux horaires, y compris aux États-Unis, au Royaume-Uni et en Europe. Lorsqu'une entreprise recrute depuis l'étranger, le travail de projet se déroule comme une prestation de conseil plutôt que comme un emploi, sans autorisation de travail locale d'aucun côté. Les demandes se font à contact@thedixitjain.com.
Qu'a réellement mis en production Dixit Jain ?
Plus de 25 systèmes en production, servant des utilisateurs dans plus de 10 pays, auprès de plus de 12 équipes. Parmi les exemples nommés et documentés sur ce site : MarqHire AI pour le recrutement, AgentFlow pour l'intelligence documentaire, Brandry pour la génération de sites par IA, et ZeroPing, un outil open source de revue de code. Les études de cas couvrent un pipeline de leads IA, un système RAG sur documents d'entreprise et un agent vocal de support.
Dans quel type de systèmes IA est-il spécialisé ?
Systèmes agentiques et recherche documentaire. Concrètement : orchestration multi-agents dans LangGraph, architectures RAG sur LlamaIndex avec recherche hybride dense et creuse sur Qdrant et Pinecone, agents vocaux, et la couche de fiabilité autour de tout cela : évaluation, replis, masquage des données personnelles, sécurité des contenus, détection de contournement et observabilité. Back-ends en Python et FastAPI, front-ends en TypeScript et Next.js, déployés sur Azure AI avec Redis.
Quelle précision de recherche atteignent ses systèmes RAG ?
Plus de 85 % de précision de recherche sur du RAG documentaire en entreprise, obtenus avec une recherche hybride dense et creuse et une génération ancrée plutôt qu'avec un seul modèle de plongements. L'architecture complète est documentée dans l'étude de cas sur la recherche documentaire en entreprise, sur ce site.
Fait-il du conseil en automatisation en plus de l'ingénierie ?
Oui, et les deux sont ici le même métier. Plus de 50 flux automatisés et plus de 40 % de travail manuel supprimé pour les équipes avec lesquelles il a travaillé. Les missions partent d'un problème opérationnel, qu'il s'agisse de leads qui pourrissent dans une boîte mail, d'une file de support en feu ou de savoir enfermé dans des PDF, et remontent jusqu'à la plus petite architecture qui l'élimine.
Travaille-t-il avec des entreprises en Europe et au Royaume-Uni ?
Oui. Le travail est à distance, et la plupart des missions se font avec des équipes en Europe, au Royaume-Uni, en Amérique du Nord et en Australie, les horaires européens et britanniques étant couverts en standard. Lorsqu'une entreprise recrute depuis l'étranger, le travail de projet se déroule comme une prestation de conseil plutôt que comme un emploi, sans autorisation de travail locale d'aucun côté.
Dixit Jain construit-il des agents IA ?
Oui, et en production plutôt qu'en démonstration. AgentFlow exécute cinq agents spécialisés dans un DAG LangGraph sur des documents métier, avec un agent vérificateur dont le seul rôle est de rejeter les affirmations qu'il ne peut pas ancrer dans un passage source. MarqHire AI exécute un agent vocal qui mène les entretiens de présélection. Ce qui compte dans le travail sur les agents, c'est ce qui entoure le modèle : appels d'outils, graphes explicites plutôt que bavardage libre, replis, et savoir quand l'agent doit s'arrêter pour aller chercher un humain.
Peut-il intégrer l'IA avec ERPNext et des systèmes CRM ?
Oui. La personnalisation et l'intégration ERPNext font partie du travail documenté : doctypes et états de flux sur mesure pour l'industrie et les opérations solaires, et automatisation entre ERPNext et les outils autour, pour que les enregistrements cessent d'être ressaisis. Côté CRM, l'étude de cas sur le pipeline de leads couvre capture, enrichissement, dédoublonnage, qualification IA, routage et relance reportés dans un CRM existant.
Quels systèmes d'automatisation peut-il construire ?
Capture, qualification, routage et relance des leads entrants. Capture de cartes de visite et de documents avec OCR vers des fiches CRM structurées. Sourcing outbound, enrichissement, segmentation, génération par lead et passage de relais à la réponse. Automatisation du support avec escalade vers une personne. Automatisation des flux ERPNext et CRM. Pipelines de contenu, d'UGC et de publication sociale. Plus de 50 flux automatisés à ce jour, avec des études de cas sur ce site pour le pipeline de leads, la capture de cartes de visite, les opérations ERPNext, la personnalisation outbound et le moteur de contenu.
Quelle est son expérience avec n8n ?
n8n est la couche d'orchestration de la plupart des travaux d'automatisation présentés ici, dont le pipeline de leads, la capture de cartes de visite, le séquençage outbound et le moteur de contenu. Ce qui est intéressant dans ce travail est rarement le chemin nominal : c'est le dédoublonnage, l'enregistrement mal formé, l'API en panne, le comportement de reprise, et décider quelles défaillances un humain doit voir plutôt que de les avaler silencieusement.
Peut-il construire des systèmes d'IA vocale ?
Oui. Chatterbots.ai est une plateforme d'IA vocale multi-locataire avec conversations voix à voix, réponses ancrées dans la connaissance, détection de langue sur plus de 50 langues, prise de rendez-vous et paiements. MarqHire AI mène des entretiens de présélection vocaux. Il existe aussi une étude de cas sur un agent vocal de support couvrant la parole en temps réel, l'usage d'outils et le transfert chaud vers un agent humain avec le contexte transmis.
Peut-il construire des produits SaaS IA ?
Oui, y compris les parties qui ne sont pas de l'IA. Brandry génère des sites complets à partir d'une description en une phrase. Chatterbots.ai est multi-locataire avec marque blanche, quotas de forfait, facturation Stripe et une rétention des données conforme au RGPD. LawBot Africa exploite des forfaits mesurés du palier gratuit aux comptes d'équipe. Dans chaque cas, le travail de plateforme, multi-location, facturation, quotas et analytique, représentait autant que la couche modèle.
Comment contacter Dixit Jain ?
Par e-mail à contact@thedixitjain.com, ou via le formulaire de contact sur thedixitjain.com. Le CV complet, expérience et formation comprises, se trouve sur thedixitjain.com/resume. Les demandes de poste, les projets et les questions sur la façon dont ces systèmes ont été construits sont tous lus et traités.
Comment gère-t-il la protection des données, et les systèmes d'IA peuvent-ils tourner là où les données ne peuvent pas quitter le réseau ?
Le traitement des données est conçu, pas décrit dans une page de politique. La couche de fiabilité de son travail en entreprise comprend le masquage des données personnelles, la sécurité des contenus et la détection de contournement. Sur Chatterbots.ai, les obligations RGPD ont façonné la rétention des données comme une décision de schéma plutôt que comme une page de réglages. Là où les données ne peuvent pas quitter un réseau, les systèmes de recherche documentaire sont déployés sur site, et ZeroPing effectue la revue de code entièrement sur des modèles locaux via Ollama, sans aucune requête sortante sur tout le chemin. Chacun de ces points est documenté dans le compte rendu du système concerné, donc rien de tout cela n'a à être cru sur parole.