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

Mission : Projeter, définir et piloter le développement du SI dans son ensemble. S'appuyer sur la stratégie de l’entreprise, notamment en matière de sécurité et de risques. Définir une architecture agile, pérenne et évolutive Piloter les développements, etc... Environnement technique : - Data Models, Data Lineage, …. - Maîtrise des techniques de l’environnement Data; Big Data; Analytics, - DataViz - Expertise en architecture SI - Expertise en architecture et modélisation BDD - Maitrise du SI de l’entreprise dans son ensemble : Afin de proposer la bonne solution pouvant s’intégrer dans le SI de l’entreprise, etc... Les missions sont: 1- Conception et développement d’agents autonomes avec LangGraph : - Architectur des agents conversationnels ou décisionnels (ex: agents multi-outils, boucles de rétroaction, mémoire contextuelle). -Intégrtion des modèles de langage (LLMs) via LangGraph pour des tâches complexes (ex: raisonnement multi-étapes, orchestration de workflows). -Optimisation les stratégies de prompt engineering et les mécanismes de contrôle (ex: function calling, tool use, plan-and-execute). 2- Intégration avec des pipelines ML/MLOps existants : -Connection des agents LangGraph à des modèles custom (ex: fine-tuned LLMs, modèles de séries temporelles) via APIs ou pipelines. -Automatisation de versioning des agents et leur déploiement. 3- Ingénierie des données et features pour les agents : -Construction des pipelines de données pour alimenter les agents -Développement des mécanismes de mémoire (ex: bases de connaissances dynamiques). -Optimisation les coûts et la scalabilité (ex: caching des réponses, model distillation pour les edge cases). 4- Tests et robustesse : -Mise en place des tests automatisés pour les agents (ex: simulations de dialogues, injection de fautes). -Surveillance les dérives comportementales (ex: hallucinations, boucles infinies) avec LangSmith. -Documentation des limites et cas d’usage (ex: matrice de risques pour les décisions critiques). Compétences souhaitées: Expérience avancée avec LangGraph : -Maîtrise des composants clés : StateGraph, prebuilt tools, human-in-the-loop, et intégration avec des LLMs. -Expérience en déploiement d’agents en production. Python et écosystème IA : -Bibliothèques : langgraph, langchain, llama-index, pydantic. -Frameworks ML : PyTorch/TensorFlow (pour customiser des modèles si besoin).

Chez nous, l’innovation n’est pas simplement un mot à la mode ; elle est au cœur de notre ADN et guide chaque aspect de notre activité. Au cours des deux dernières années, nous avons consolidé notre position de leader dans le domaine de l’intelligence artificielle générative (GenAI), en lançant avec succès de nombreux services et solutions GenAI. Ces initiatives ont connu une adoption remarquable et continue à travers l’entreprise, établissant fermement notre groupe comme un leader mondial dans l’exploitation des technologies d’Intelligence Artificielle les plus avancées. Nous sommes maintenant prêts pour la prochaine étape : évoluer vers une plateforme agentique complète. Cette transformation stratégique permettra non seulement de renforcer nos équipes, mais aussi de rendre ces outils puissants plus accessibles et plus impactants pour tous les collaborateurs du groupe. Notre ambition est claire : accélérer la transformation de l’ensemble du groupe grâce à des solutions IA innovantes et performantes. Ce projet exige une passion évidente pour l’IA, une curiosité insatiable pour les dernières avancées, ainsi qu’un enthousiasme proactif pour explorer les nouvelles tendances, qu’elles soient techniques ou réglementaires. Votre rôle : Consultant Plateforme Agentique GenAI En tant que Consultant Plateforme Agentique GenAI au sein de l’équipe Tech Data & AI, vous jouerez un rôle clé dans la construction de notre avenir. Vous serez à l’interface entre innovation et mise en œuvre, en pilotant l’adoption et le succès de notre plateforme agentique sur plusieurs axes stratégiques : Conseil stratégique & accompagnement : agir en tant que consultant interne de confiance, en guidant les équipes tout au long du cycle de vie de leurs projets GenAI – de la conception initiale à l’intégration et au support continu. Définition des règles & standards : concevoir et établir des lignes directrices et des standards techniques solides, favorisant le développement rapide, scalable et sécurisé de solutions GenAI à l’échelle de l’entreprise. Autonomisation du développement : piloter la création de kits de développement intuitifs et prêts à l’emploi, permettant aux équipes internes de concevoir et déployer des applications GenAI avec rapidité, efficacité et cohérence. Adoption fluide : concevoir et mettre en place des processus d’onboarding performants garantissant une adoption simple, engageante et réussie pour les nouveaux utilisateurs dès le premier jour. Innovation continue : rechercher, évaluer et promouvoir les fonctionnalités GenAI les plus avancées du marché, afin de rester à la pointe des tendances technologiques et de maintenir un avantage compétitif. Compétences et expérience requises Pour réussir dans ce rôle, vous disposerez d’une solide expertise : Expérience confirmée : minimum 2 ans d’expérience pratique en tant que consultant en systèmes d’information, avec un parcours prouvé en intelligence artificielle, notamment dans le domaine GenAI. Maîtrise de GenAI sur GCP : connaissance pratique des services GenAI de Google Cloud Platform (GCP), incluant une bonne compréhension des outils et concepts tels que ADK, Agent Engine, Memory Bank, Session Agent Engine, Evaluation et Retrieval Augmented Generation (RAG Engine, Vertex AI Search). Communication internationale : un bon niveau d’anglais est indispensable pour collaborer efficacement avec des équipes internationales et interagir avec des parties prenantes variées. Collaboration et influence : excellentes qualités relationnelles, capacité à communiquer, esprit d’équipe et aptitude à favoriser l’adoption et la réussite collective.

Expérience dans l'environnement de la prestation : 3-5 ans inclus Designer technique pouvant démontrer une expérience tangible sur des projets d'IA : - Compréhension des besoins utilisateur afin de concevoir des expériences adaptées. - Conception d'interfaces intuitives et compréhensibles des utilisateurs. - Conception de systèmes transparents, expliquant leurs décisions et réduisant la "boîte noire" des modèles IA. - Intégrer des principes de design responsables et évitant les biais pour garantir une IA équitable. - Adaptation des designs en fonction des retours utilisateurs et des performances des modèles. -Collaboration avec les équipes IA et Produit. - Personnalisation et adaptation des interfaces. NB : la séniorité doit s'entendre sur la base du temps passé sur des projets et missions specifiquement sur l'IA. Sans expertise spécifique IA, le profil BANA du Segment B s'applique. Au sein de l'IT Group Production, le projet vise l'optimisation du MTTR (Mean Time To Repair) par l'automatisation de l'analyse d'incidents. L'objectif est de réduire drastiquement le temps d'identification des causes racines (Root Cause Analysis - RCA) en exploitant les données d'observabilité via des technologies d'Intelligence Artificielle et de Machine Learning. Le prestataire sera intégré au stream "Observabilité" et travaillera en collaboration étroite avec l'équipe "Core IA" (en charge de la plateforme agentique). Ses missions principales incluent : * Développement d'agents intelligents spécialisés dans le diagnostic technique, en s'appuyant sur les frameworks LangChain et LangGraph. * Conception et déploiement de jobs de détection d'anomalies automatisés pour identifier les dérives comportementales des systèmes. * Exploitation et corrélation des sources de données : ingestion et analyse des logs via Elasticsearch et des métriques de performance/APM via Dynatrace. * Industrialisation de modèles LLM appliqués à la RCA pour transformer les données brutes d'observabilité en diagnostics actionnables. Environnement technique cible : * Langage : Python (Expertise requise). * Observabilité : Elasticsearch (Log Management), Dynatrace (Monitoring/APM). * IA / LLM : LangChain, LangGraph, Machine Learning (Anomaly Detection). * Méthodologie : Intégration continue en environnement de production bancaire contraint.

Les missions sont: 1- Conception et développement d’agents autonomes avec LangGraph : - Architectur des agents conversationnels ou décisionnels (ex: agents multi-outils, boucles de rétroaction, mémoire contextuelle). -Intégrtion des modèles de langage (LLMs) via LangGraph pour des tâches complexes (ex: raisonnement multi-étapes, orchestration de workflows). -Optimisation les stratégies de prompt engineering et les mécanismes de contrôle (ex: function calling, tool use, plan-and-execute). 2- Intégration avec des pipelines ML/MLOps existants : -Connection des agents LangGraph à des modèles custom (ex: fine-tuned LLMs, modèles de séries temporelles) via APIs ou pipelines. -Automatisation de versioning des agents et leur déploiement. 3- Ingénierie des données et features pour les agents : -Construction des pipelines de données pour alimenter les agents -Développement des mécanismes de mémoire (ex: bases de connaissances dynamiques). -Optimisation les coûts et la scalabilité (ex: caching des réponses, model distillation pour les edge cases). 4- Tests et robustesse : -Mise en place des tests automatisés pour les agents (ex: simulations de dialogues, injection de fautes). -Surveillance les dérives comportementales (ex: hallucinations, boucles infinies) avec LangSmith. -Documentation des limites et cas d’usage (ex: matrice de risques pour les décisions critiques). Compétences souhaitées: Expérience avancée avec LangGraph : -Maîtrise des composants clés : StateGraph, prebuilt tools, human-in-the-loop, et intégration avec des LLMs. -Expérience en déploiement d’agents en production. Python et écosystème IA : -Bibliothèques : langgraph, langchain, llama-index, pydantic. -Frameworks ML : PyTorch/TensorFlow (pour customiser des modèles si besoin).

Nous recherchons un Lead Agentic AI Engineer pour un Un éditeur de contenu français, audience massive, deux business qui tournent en parallèle : l'abonnement, qu'il faut faire grossir, et la régie pub, où il reste pas mal de valeur à aller chercher sur l'inventaire. La data plateforme est en pleine restructuration côté GCP, l'équipe data est en place (data scientists, BI Power BI en self-service, une CDP côté CRM), et on touche au bout du chantier d'infra. La direction veut passer à autre chose que du reporting et du dashboard. Le sujet est de mettre des agents en production sur des cas business qui pèsent sur le P&L, vraiment en production, pas une démo de plus. Concrètement, sur les 6 premiers mois, voilà à quoi va ressembler le job. Tu commences par regarder ce qui se passe vraiment dans la maison côté acquisition, monétisation de l'inventaire pub et fonctions support, et tu sors une liste courte de cas où un agent a du sens (et où il n'en a pas, c'est souvent là que les autres se plantent). Tu choisis deux ou trois cas et tu les mets en prod. Pas un POC, pas un notebook joli. Quelque chose qui tourne, qu'on mesure, qu'on monitore. En parallèle, il y a un chantier de fond : sortir l'équipe du modèle "dashboard" et installer une couche d'analyse comportementale temps réel sur l'audience, c'est le socle qui rend les agents intéressants ensuite. Et tu poses les fondations pour la suite : evals, observabilité, garde-fous, doc d'archi. Si la mission bascule en CDI à 12 mois, on parle aussi du build d'équipe à ce moment-là. Tu travailles en direct avec la régie sur les sujets de monétisation, avec le CRM sur l'activation et la segmentation, et avec les fonctions support sur tout ce qui peut se déléguer à un agent (assistance, ops, modération). C'est une boîte média, il faut aimer ça, savoir ce qu'est un CPM, comprendre pourquoi le directeur de la régie va te poser des questions sur le fill rate, pas sur ton archi. Côté technique Ce qu'on cherche n'est pas exotique mais c'est précis. Il faut avoir déjà mis au moins un système agentic en prod réelle, et savoir le raconter en détail : l'orchestration choisie, comment les outils sont branchés, comment tu fais les evals, ce que tu mesures côté business, ce qui a explosé une fois en prod et comment tu t'en es rendu compte. La stack tu fais avec ce que tu connais : LangGraph, Anthropic Agent SDK, OpenAI Agents, DSPy, du custom maison. L'important c'est d'avoir vraiment livré, pas d'avoir lu la doc. Au-delà de l'orchestration pure, il faut connaître les fondations qui font qu'un agent tient en prod : tool calling propre, evals offline et online, garde-fous, observabilité (LangSmith, Langfuse, Arize, du custom — peu importe), et la gestion des coûts API parce qu'à grande échelle ça compte. Sur la data, tu dois pouvoir lire et challenger un pipeline BigQuery avec Airflow ou Composer dessus, sans forcément vouloir tout refaire toi-même. La data team est là pour ça, mais tu dois pouvoir leur parler d'égal à égal. Côté GCP, tu utilises BigQuery au quotidien et tu sais te servir de Vertex, Cloud Run, Workflows quand c'est utile pour un système agentic. Si tu as un background data scientist ou ML engineer avant d'avoir basculé sur les LLM en 2023-2024, c'est un vrai plus. Tu connais le piège du "tout LLM" et tu sais quand revenir à du déterministe ou à du modèle classique. Si tu as touché un peu d'adtech, CPM, viewability, attribution, ce vocabulaire-là, c'est mieux, mais ça s'apprend en quelques semaines si tu es curieux. Ce qu'on regarde au-delà du CV C'est la partie qu'on peut difficilement vérifier sur LinkedIn mais qui fait la différence sur ce poste précis. D'abord la capacité à dire non. Quand on te propose un cas d'usage, tu dois pouvoir dire "ça, franchement, c'est un workflow déterministe, on n'a pas besoin d'un LLM" — et le défendre devant un sponsor qui voulait son agent. La maison a déjà eu des POC, on ne veut pas en rajouter un. Ensuite la capacité à parler à des non-techs sans intermédiaire. Tu vas te retrouver en réunion avec la régie, avec le marketing, peut-être avec le DAF, et il n'y aura pas de PM pour traduire. Si tu ne sais expliquer ton archi qu'à un autre ingé, ça ne marchera pas. Tolérer l'ambiguïté est un autre critère. On ne te donnera pas un objectif business un peu flou, à toi de remonter au vrai cas et au vrai produit là, et c'est OK. Bien composer avec l'équipe en place. Il y a des data engineers, une BI. Tu ne débarques pas en disant que tout ce qu'ils ont fait est nul. Tu t'appuies, tu écoutes, tu choisis tes batailles. Et puis l'honnêteté. On préfère quelqu'un qui dit "j'ai raté ça, voilà ce que j'en ai appris" à quelqu'un qui survend. Pareil sur les coûts, les délais, les limites des modèles. Quand un agent commence à coûter 4000€/jour en API, on veut le savoir, pas découvrir la facture en fin de mois. Le dernier critère c'est le sens du delivery. On a vu trop de profils brillants qui laissent 4 chantiers ouverts et zéro système en prod. Ici on veut au moins deux mises en prod sur 6 mois, pas un slide deck de roadmap.

Ingénieur Data Senior – Spécialiste Graphes Lieu : Paris, France (hybride - télétravail flexible) Contrat : Contrat renouvelable de 12 mois Date de début : Dès que possible À propos de l’entreprise Notre client est une institution financière mondiale de premier plan, opérant à l’avant-garde des marchés de capitaux, de la banque d’investissement et des services financiers. Axée sur l’innovation, l’organisation investit massivement dans des plateformes de données avancées et des solutions basées sur l’IA pour transformer le fonctionnement des systèmes financiers complexes. Vous rejoindrez une équipe d’innovation à fort impact travaillant sur des initiatives d’IA de pointe dans un environnement réglementé à l’échelle de l’entreprise, où les données, la performance et la fiabilité sont essentielles. Présentation du rôle Nous accompagnons une équipe Innovation qui développe des agents pilotés par l’IA de nouvelle génération. Ce poste est centré sur la conception et le déploiement de systèmes de données basés sur des graphes, servant de fondation à une plateforme avancée d’IA agentique. Une solide expertise en bases de données graphes est indispensable. Responsabilités principales Concevoir, développer et optimiser des structures de connaissances basées sur des graphes Développer et maintenir des pipelines de données scalables alimentant des moteurs de graphes en temps réel Collaborer avec les ingénieurs IA pour soutenir des agents contextuels et orientés relations Contribuer aux décisions d’architecture dans un environnement réglementé à fort enjeu Compétences requises Solide expérience en data engineering (Python, pipelines, modélisation de données) Expertise pratique approfondie des bases de données graphes (Memgraph, LightGraph ou équivalent) Expérience avec des écosystèmes de données complexes (APIs, streaming, sources type CMDB) Atouts Expérience avec les pipelines LLM, RAG ou frameworks agentiques Anglais écrit et oral obligatoire Français apprécié (non indispensable)

Les missions sont: 1- Conception et développement d’agents autonomes avec LangGraph : - Architecture des agents conversationnels ou décisionnels (ex: agents multi-outils, boucles de rétroaction, mémoire contextuelle). -Intégrtion des modèles de langage (LLMs) via LangGraph pour des tâches complexes (ex: raisonnement multi-étapes, orchestration de workflows). -Optimisation les stratégies de prompt engineering et les mécanismes de contrôle (ex: function calling, tool use, plan-and-execute). 2- Intégration avec des pipelines ML/MLOps existants : -Connection des agents LangGraph à des modèles custom (ex: fine-tuned LLMs, modèles de séries temporelles) via APIs ou pipelines. -Automatisation de versioning des agents et leur déploiement. 3- Ingénierie des données et features pour les agents : -Construction des pipelines de données pour alimenter les agents -Développement des mécanismes de mémoire (ex: bases de connaissances dynamiques). -Optimisation les coûts et la scalabilité (ex: caching des réponses, model distillation pour les edge cases). 4- Tests et robustesse : -Mise en place des tests automatisés pour les agents (ex: simulations de dialogues, injection de fautes). -Surveillance les dérives comportementales (ex: hallucinations, boucles infinies) avec LangSmith. -Documentation des limites et cas d’usage (ex: matrice de risques pour les décisions critiques). Compétences souhaitées: Expérience avancée avec LangGraph : -Maîtrise des composants clés : StateGraph, prebuilt tools, human-in-the-loop, et intégration avec des LLMs. -Expérience en déploiement d’agents en production. Python et écosystème IA : -Bibliothèques : langgraph, langchain, llama-index, pydantic. -Frameworks ML : PyTorch/TensorFlow (pour customiser des modèles si besoin).

Dans le cadre de ses activités d’innovation et de transformation, le Secrétariat Général d'un grand compte bancaire source un profil pour une mission de conseil en ingénierie IA orientée R&D. L’objectif est de concevoir et prototyper des outils agentiques à destination des métiers de la Compliance et du Legal, en explorant les apports des architectures basées sur LLM. Les POC devront s’appuyer sur des use cases existants ou à construire avec les équipes métier. Cette démarche de R&D a vocation à construire des POC fonctionnels dans les standards de développement du Groupe, avec un objectif d’industrialisation facilité pour les cas validés. La mission s’inscrit dans une démarche expérimentale avec un fort enjeu de transformation des pratiques métiers.

Contexte Développement de solutions agentique pour soutenir le programme IA et nos ambitions sur des sujets structurants : automatisation des process, parcours de vente, augmentation des fonctions commerciales, ... Parmis les principaux chantiers identifiés : - Worflow AI et Agentic AI pour les process - Assistants et agents sur les parcours de nos espaces clients et vente pour nos assurés - Bases de connaissances, RAG Factory, ... - Socle et process LLMOps et evaluation de performance, ... Description Conception et développement de solutions IA générative end-to-end, intégration de LLM, développement d'agents autonomes, mise en place de RAG, pipelines d'ingestion, orchestration multi-agents, process et outils d'évaluation de performance, LLM as a Judge, Optimisation itérative

Notre client dans le secteur Banque et finance recherche un AI Engineer – AIOps & Observabilité H/F Descriptif de la mission: Description de mission Contexte et objectif de la mission Au sein de la Direction IT Production d'un grand groupe du secteur financier, le stream « Observabilité » porte un projet stratégique d'optimisation du MTTR (Mean Time To Repair) par l'automatisation de l'analyse d'incidents. L'objectif est de réduire drastiquement le temps d'identification des causes racines (Root Cause Analysis – RCA) en exploitant les données d'observabilité grâce à des technologies d'Intelligence Artificielle et de Machine Learning. Le prestataire sera intégré au stream « Observabilité » et travaillera en collaboration étroite avec l'équipe « Core IA », en charge de la plateforme agentique. Missions principales • Développer des agents intelligents spécialisés dans le diagnostic technique en s'appuyant sur les frameworks LangChain et LangGraph • Concevoir et déployer des jobs de détection d'anomalies automatisés pour identifier les dérives comportementales des systèmes • Ingérer et analyser les logs via Elasticsearch et les métriques de performance/APM via Dynatrace • Corréler les différentes sources de données d'observabilité pour produire des diagnostics actionnables • Industrialiser des modèles LLM appliqués à la RCA, transformant les données brutes en analyses exploitables par les équipes IT • Contribuer à l'amélioration continue des pipelines d'observabilité dans un environnement de production contraint Environnement technique • Langage : Python (expertise requise) • Observabilité : Elasticsearch (Log Management), Dynatrace (Monitoring / APM) • IA / LLM : LangChain, LangGraph, Machine Learning (Anomaly Detection) • Contexte : Intégration continue en environnement de production bancaire

Almatek recherche pour l'un de ses clients Un Senior Software Engineer sur Grenoble. Profil recherché : - Très bonne maîtrise de Python, avec une vraie expérience de développement (obligatoire) - Compétence solide sur les deux domaines suivants, avec une priorité sur l'IA : - Agentic AI (IA agentique), avec des frameworks comme LangChain, LangGraph, LangSmith - Edge computing (informatique de périphérie) - Bon niveau d'anglais, écrit et parlé (obligatoire) - Profil senior, capable de s'engager sur une mission longue durée En plus c'est un vrai plus : Linux, Docker, CI/CD, IoT, GPU, Scrum/SAFe

Résumé Le consultant Data Scientist / Data Engineer aura pour mission de concevoir et optimiser des systèmes de machine learning pour le traitement et l'analyse de données à partir de sources multi-données. Ce que nous recherchons Excellentes compétences en Python , avec une maîtrise de Polars et/ou Pandas . Expérience en traitement automatique du langage naturel (NLP) et en fine-tuning de modèles de machine learning légers . Expérience en Scala et Apache Spark pour les parcours orientés Data Engineering . Capacité à concevoir, développer et évaluer des pipelines de données . Familiarité avec les frameworks d’agents IA , notamment LangGraph . Capacité à adapter et évaluer des systèmes de machine learning sur différents contextes géographiques, linguistiques et domaines de données. Expérience dans l’ orchestration et l’optimisation de pipelines pour l’ingestion de données à grande échelle provenant de multiples sources.

Contexte du projet Mon client industrialise une plateforme interne d'agents IA destinée à ses équipes métiers et IT. Le projet, en phase d'industrialisation, vise à mettre à disposition dans un cadre gouverné des agents conversationnels et décisionnels capables de répondre à des cas d'usage opérationnels en s'appuyant sur les données et systèmes internes de la banque (gestion d'incidents, topologie applicative, gestion des changements, etc.). Mission: L'Ingénieur IA intervient au sein de l'équipe plateforme et contribue au développement, à la qualification et à la mise en production d'agents IA orchestrés sous LangGraph. Le périmètre de la mission couvre : • Conception et développement d'agents autonomes en Python avec LangGraph (StateGraph, multi agents, human-in-the-loop, intégration LLM, prebuilt tools). • Intégration des agents avec des composants RAG, des bases de connaissances internes et des sources opérationnelles via API. • Optimisation des stratégies de prompt engineering et des mécanismes de contrôle (function calling, tool use, plan-and-execute). • Mise en place et enrichissement des suites d'évaluation (eval datasets, monitoring comportemental, détection de dérive et d'hallucinations) sous LangSmith. • Industrialisation : versioning, packaging conteneur, intégration CI/CD GitLab, conformité aux standards de la plateforme. • Documentation des agents, contribution à la matrice de risques et aux runbooks d'exploitation.

Concevoir, développer et industrialiser des solutions d’intelligence artificielle déployées sur des environnements Edge. Développer des composants logiciels et des applications en Python répondant aux exigences fonctionnelles et techniques du projet. Participer à la conception et à l’intégration de solutions d’IA agentique (LangChain, LangGraph ou technologies équivalentes). Assurer l’intégration, le déploiement et la maintenance de solutions conteneurisées sous environnement Linux. Mettre en place et automatiser les chaînes de build, de test et de déploiement continu (CI/CD). Réaliser des activités de prototypage, de validation et d’industrialisation des solutions développées. Collaborer avec les équipes techniques dans un environnement agile (Scrum / SAFe) et international. Participer à l’évaluation des charges, à la rédaction de documents de conception et à la production de la documentation technique. Développer et exécuter les tests associés aux fonctionnalités réalisées afin de garantir la qualité des livrables. Présenter régulièrement l’avancement des développements lors des démonstrations et revues de sprint. Contribuer à l’amélioration continue des architectures logicielles, des pratiques de développement et des processus de livraison. Assurer un reporting régulier sur l’avancement des activités et le respect des objectifs qualité, coûts et délais.