Trouvez votre prochaine offre d’emploi ou de mission freelance Embedding

nous recherchons un Data Engineer Python senior pour construire la couche data d'une plateforme mutualisée d'agents IA. L'objectif : fournir aux équipes produit, data et analytics un socle commun pour concevoir, déployer et évaluer leurs agents. Projet de construction, forte criticité, équipe senior de 5 à 8 personnes avec Tech Lead, architecte data et lead software engineers. Vos missions : - Concevoir les pipelines d'ingestion et de normalisation des sources de connaissance exposées aux agents (rafraîchissement incrémental, contrôles de fraîcheur et de qualité) - Industrialiser la couche de recherche : pipelines d'embedding, indexation vectorielle, recherche hybride et re-ranking - Développer les serveurs MCP et connecteurs data mutualisés exposant de façon gouvernée BigQuery et les référentiels aux agents - Construire le datamart d'observabilité agentique (traces, tokens, coûts, latence, taux d'échec outil, feedback) alimentant les dashboards et le framework d'évaluation - Mettre en place les jeux de données d'évaluation versionnés et leurs pipelines de génération - Gérer l'infrastructure as code (Terraform) et les chaînes CI/CD des composants data - Documenter l'architecture, les data contracts et les guides d'onboarding pour rendre les équipes autonomes sur le socle

1. Collecte, Ingestion & Indexation -Pipelines d'ingestion : Concevoir la collecte et le traitement de sources hétérogènes (édition, open data, bases juridiques), le parsing, le nettoyage, le chunking et la normalisation des documents. -Indexation & Embeddings : Choisir et industrialiser les modèles d'embeddings, alimenter et maintenir les bases vectorielles, gérer la fraîcheur et la reconstruction des index. -Qualité & Volumétrie : Garantir la scalabilité de l'indexation sur des corpus massifs et la traçabilité des données (lignage, versioning des index). 2. Recherche & Pertinence (Retrieval & RAG) -Stratégie de retrieval : Combiner recherche lexicale et sémantique (BM25 + embeddings) avec du reranking et du filtrage par métadonnées pour maximiser la pertinence. -Évaluation continue : Mettre en place des jeux de tests et des métriques de pertinence (Recall, Precision, nDCG, MRR) pour mesurer et piloter l'amélioration du retrieval. -RAG (Retrieval-Augmented Generation) : Structurer la phase de récupération qui alimente les LLM (contexte, citations, dé-duplication, gestion des fenêtres de contexte). -Observabilité & Sécurité : Instrumenter les pipelines (logs, métriques, traces) et garantir la conformité des données (RGPD, cloisonnement par pays). 3. Leadership Technique & Gouvernance -Culture Craftsmanship : Promouvoir les pratiques de Clean Code, SOLID, et tests automatisés au sein de l'équipe. -Rayonnement : Assurer une veille constante et contribuer au rayonnement technique du groupe (articles, meetups, open-source).

Au sein d'une équipe spécialisée en Data et Intelligence Artificielle, vous intervenez sur des problématiques à forte dimension technique autour de la gestion de données, de l'Information Retrieval et de l'IA générative. Votre mission consiste à concevoir et industrialiser les pipelines permettant de collecter, transformer, indexer et rechercher de grands volumes de données, afin d'alimenter des applications basées sur les LLM et les architectures RAG. Vous serez également impliqué dans les choix d'architecture, l'amélioration de la pertinence des recherches et l'industrialisation des solutions en production. Vos principales missions Data Engineering & Indexation Concevoir et industrialiser des pipelines d'ingestion de données provenant de sources hétérogènes. Mettre en œuvre les traitements de parsing, nettoyage, normalisation et chunking. Concevoir et maintenir des systèmes d'indexation à grande échelle. Mettre en œuvre des bases vectorielles et des embeddings. Garantir la qualité, la fraîcheur, la traçabilité et la scalabilité des données et des index. Retrieval & RAG Concevoir des stratégies de recherche sémantique et hybride. Combiner recherche lexicale (BM25), embeddings, filtrage et reranking. Mettre en place des indicateurs de pertinence : Recall, Precision, nDCG, MRR. Optimiser les mécanismes de Retrieval alimentant les LLM et architectures RAG. Travailler sur la gestion du contexte, la déduplication et la qualité des résultats. Architecture & qualité Participer aux choix techniques et à l'évolution de la stack Data/IA. Mettre en place les bonnes pratiques de développement : Clean Code, SOLID, tests automatisés. Assurer l'observabilité des pipelines et des services. Contribuer à la sécurité et à la conformité des données. Accompagner techniquement les équipes et partager les bonnes pratiques. Environnement technique Indispensable : Python 3.11+ Data Engineering / Information Retrieval Embeddings / NLP Recherche sémantique et hybride RAG / LLM Bases vectorielles : Qdrant, Weaviate, pgvector, OpenSearch PostgreSQL Tests avec Pytest Environnement apprécié : LangChain OpenAI, Mistral, Amazon Bedrock BM25 / reranking Kafka Redis Airflow / Spark Docker / Kubernetes CI/CD Go ou Java

Contexte d'utilisation chez Limagrain Compétences attendues Niveau RAG end-to-end Retrievers & embeddings Assistants scientifiques, juridiques et métiers sur corpus internes. Optimiser la récupération de sources fiables. Ingestion, parsing, OCR, structure, chunking, embeddings, indexation, retrieval, reranking, génération et citations. Indispensa ble Dense/sparse/hybride, metadata filters, multi query, parent-child, contextual retrieval, vector stores et évaluation du retrieval. Indispensa ble Analyse documentaire Exploiter PDF, Word, PowerPoint, Layout-aware parsing, OCR, extraction Indispensa Référentiel de compétences - Tech Lead GenAI Limagrain - Septembre 2026 Référentiel de compétences - Tech Lead GenAI Limagrain - Septembre 2026 Technologies / savoir-faire Contexte d'utilisation chez Limagrain Compétences attendues Niveau tableaux, scans et dossiers complexes. tables/images, métadonnées, déduplication, classification et validation. ble VLM & VQA Analyser images, figures, schémas, parcelles, maladies, rapports et documents multimodaux. Vision-language models, visual question answering, grounding, OCR multimodal, évaluation et limites. Avancé Gestion du contexte Maîtriser qualité, coût et mémoire des agents. Context engineering, fenêtres, compression, résumé, mémoire court/long terme, cache, provenance et isolation. Indispensa ble Single-agent Automatiser une tâche métier avec outils et garde-fous. ReAct/tool calling, structured outputs, validation, retries, human-in-the-loop et permissions. Indispensa ble Multi-agent Décomposer les workflows complexes entre agents spécialisés. Supervisor, router, planner-executor, handoffs, shared state, parallélisme, consensus et contrôle des boucles. Avancé LangChain / LlamaIndex Assembler modèles, retrievers, tools et chaînes RAG. Intégrations, loaders, chains, agents, structured output et composants remplaçables. Avancé LangGraph Orchestration stateful et durable de workflows agentiques. Graphes, état, checkpoints, streaming, interruptions, human-in-the-loop et reprise. Avancé LangSmith Tracing, debugging, datasets, évaluations et monitoring.

Dans le cadre d'un projet stratégique au sein d'un acteur majeur du secteur des paiements, nous recherchons un Senior Python Engineer spécialisé en Intelligence Artificielle Générative (LLM). Vous interviendrez au sein d'une équipe dédiée au développement d'une plateforme IA générative en environnement on-premise. Le rôle est fortement orienté développement logiciel et architecture applicative : nous recherchons un profil capable de concevoir, développer et industrialiser des applications IA en production. Vos principales responsabilités : Concevoir et développer des applications backend Python intégrant des modèles de langage (LLM). Développer des APIs robustes avec FastAPI (ou frameworks équivalents). Concevoir des architectures RAG (Retrieval-Augmented Generation) performantes. Mettre en œuvre les mécanismes d'ingestion documentaire, chunking, embeddings et recherche sémantique. Intégrer et orchestrer différents modèles LLM (GPT, Mistral, Claude ou équivalents). Développer des composants exploitables en production avec une approche qualité logicielle. Participer aux choix d'architecture technique et aux bonnes pratiques de développement. Mettre en place les pratiques de qualité : tests, revue de code, Clean Code, documentation technique. Compétences attendues Techniques Python confirmé (développement applicatif backend) FastAPI / Flask / Django Développement d'API REST Architecture backend et microservices LLM : GPT, Mistral, Claude, OpenAI API, Anthropic API RAG (Retrieval-Augmented Generation) LangChain, LlamaIndex ou frameworks équivalents Embeddings et recherche sémantique Bases vectorielles : Qdrant, Pinecone, Weaviate, Chroma ou équivalent PostgreSQL / bases de données relationnelles Docker CI/CD Tests automatisés Git et pratiques de revue de code Savoir-être Esprit d'analyse et capacité à résoudre des problématiques complexes Autonomie et force de proposition Sens de la qualité logicielle Capacité à travailler dans un environnement exigeant Bon relationnel avec les équipes techniques et métiers Curiosité technologique et veille active sur les évolutions IA

Vous intégrerez l'équipe Transformation, Data & Innovation. L'équipe conçoit des solutions Data et Intelligence Artificielle permettant d'améliorer la connaissance client, l'efficacité opérationnelle et la performance commerciale : analyse automatisée de l'actualité, détection d'insights, recommandations, prédictions et pilotage de la performance. Missions principalesConcevoir et développer des solutions de Machine Learning, NLP et Deep Learning. Développer des applications basées sur l'IA générative et l'IA agentique. Concevoir des architectures RAG et des systèmes multi-agents avec LangGraph. Intégrer et exploiter des modèles LLM, RLM et SLM. Mettre en œuvre des techniques NLP : embeddings, Transformers, BERT, NER et recherche sémantique. Développer des modèles de régression, classification, clustering, détection d'anomalies, recommandation et séries temporelles. Réaliser l'adaptation et l'optimisation des modèles via le transfer learning et le fine-tuning. Construire et interroger des bases vectorielles et des moteurs d'indexation tels qu'Elasticsearch et FAISS. Évaluer, superviser et améliorer les performances des solutions RAG et agentiques. Industrialiser les modèles et assurer leur suivi avec Dataiku et MLflow. Développer des prototypes et interfaces de démonstration avec Gradio ou Streamlit. Participer à la mise en place de solutions d'IA responsables, explicables et maîtrisant les risques de biais. Collaborer avec les équipes métiers afin de traduire leurs besoins en solutions Data et IA concrètes. Assurer une veille technologique et proposer des cas d'usage innovants.

Dans le cadre de la mise en place d'une plateforme d'IA générative sécurisée, vous contribuez à l'industrialisation des cas d'usage IA dans une approche DevOps. Votre rôle Exploitation et pilotage des infrastructures · Piloter techniquement l'infogérant sur les activités d'exploitation (MCO/MCS) · Suivre et garantir le respect des engagements (SLA, qualité, sécurité) · Valider les actions d'exploitation réalisées (changements, mises en production, opérations sensibles) · Identifier les risques opérationnels et mettre en place les actions correctives · Analyser les incidents complexes (systèmes, stockage, virtualisation) et piloter leur résolution · Challenger les solutions techniques proposées par les prestataires ou équipes internes Déploiement de la plateforme d'IA générative · Concevoir et mettre en œuvre une architecture modulaire dédiée à la plateforme d'IA générative · Déployer les composants techniques nécessaires à l'exécution des modèles de langage (serveur d'inférence, bases de données vectorielles, API Gateway) · Intégrer les services d'embedding, de reranking et la chaîne d'ingestion documentaire afin d'améliorer la pertinence des recherches et des réponses générées · Mettre en œuvre les mécanismes d'authentification, de gestion des accès et d'observabilité des interactions avec les modèles d'IA Industrialisation, automatisation et évolution des environnements · Automatiser les opérations d'exploitation à l'aide de pratiques DevOps et Infrastructure as Code · Déployer et faire évoluer les plateformes conteneurisées (Docker, Kubernetes, OpenShift) · Participer aux projets de transformation des infrastructures (Cloud, conteneurisation, modernisation) · Proposer des axes d'optimisation (performance, résilience, capacité, Green IT) · Participer aux opérations de décommissionnement d'infrastructures obsolètes

Au sein de la Direction de la Sécurité des Systèmes d'Information d'un grand groupe financier international, vous rejoignez une équipe Cyber d'une vingtaine de collaborateurs. Cette équipe accompagne les directions métiers et les équipes IT dans la sécurisation des projets et l'intégration des bonnes pratiques de sécurité. Dans un contexte d'automatisation, plusieurs cas d'usage d'intelligence artificielle ont été identifiés et priorisés. Un premier projet est déjà en production et d'autres sont en cours de développement. Vous prenez en charge la conception, le développement et la mise en production des applications permettant d'automatiser les activités de l'équipe Cyber. Missions principales Analyser les besoins et participer au cadrage technique avec les équipes Cyber Concevoir des architectures applicatives simples, robustes et maintenables Développer des applications Full Stack en Python (backend) et Angular (frontend) Concevoir et maintenir des API REST, des bases de données et des mécanismes d'authentification Intégrer des composants d'intelligence artificielle : API LLM, pipelines RAG, embeddings, bases vectorielles, agents IA via LangChain ou LangGraph Assurer les tests, la documentation technique et les procédures de mise en production Contribuer à l'amélioration continue des applications selon les retours des utilisateurs Assurer le transfert de compétences et la documentation nécessaire à la reprise en exploitation par les équipes internes

Contexte : Dans le cadre de l'accélération de ses initiatives en Intelligence Artificielle Générative, notre client recherche un Data Scientist GenAI / AI Engineer pour concevoir, développer et industrialiser des solutions basées sur les LLM. Le consultant interviendra sur des projets d'IA appliquée visant notamment l'automatisation de processus métiers, l'accès à la connaissance interne et le développement d'assistants intelligents, de la phase de conception jusqu'à la mise en production. Missions principales : · Analyser les besoins métiers et identifier les cas d'usage pertinents autour de l'IA générative. · Concevoir et développer des applications basées sur des LLM tels que GPT, Mistral, Llama ou Claude. · Développer des assistants conversationnels et des systèmes d'aide à la décision. · Concevoir et mettre en œuvre des architectures RAG et des solutions de recherche sémantique. · Développer les pipelines documentaires : ingestion, nettoyage, chunking, embeddings, indexation, retrieval et reranking. · Concevoir des workflows agentiques et orchestrer des outils et agents IA. · Développer des APIs et services backend autour des modèles IA. · Transformer les POC en solutions industrialisées et production-ready. · Mettre en place les pratiques de tests, versioning, CI/CD, monitoring et documentation. · Définir et mettre en œuvre des métriques et frameworks d'évaluation des solutions GenAI. · Optimiser la qualité des réponses, la pertinence du retrieval, la latence et les coûts, tout en limitant les hallucinations. · Participer au déploiement des solutions sur des environnements Cloud. · Présenter et vulgariser les solutions auprès des équipes techniques et métiers. Livrables attendus : · Analyses des besoins et identification des cas d'usage IA. · Spécifications fonctionnelles et techniques. · Prototypes et applications GenAI fonctionnelles. · Architectures RAG et pipelines documentaires documentés. · APIs, services IA et agents opérationnels. · Scripts et notebooks d'expérimentation. · Code source versionné et pipelines CI/CD. · Documentation d'architecture, de déploiement et d'exploitation. · Métriques de qualité et de performance des solutions. · Documentation des modèles, prompts et dispositifs d'évaluation.