CONTEXTE Le projet consiste à digitaliser et structurer les protocoles d'études cliniques au sein d'un groupe pharmaceutique. L'objectif est de passer de documents Word/PDF isolés à une plateforme structurée intégrant de l'intelligence artificielle pour l'analyse de données et la simulation de scénarios de recherche. MISSIONS * Conception de systèmes agentiques : Développer et déployer des architectures multi-agents (ReAct, Plan-and-Execute) pour automatiser l'extraction d'informations depuis des documents cliniques. * Optimisation des modèles : Concevoir des stratégies de prompt (Few-shot, Chain-of-thought, RAG) et évaluer la performance des modèles (Claude, GPT-4, Llama) selon les besoins métiers. * Traitement de documents complexes : Créer des pipelines permettant d'extraire et de structurer les données contenues dans des fichiers Word et PDF vers le format du produit. * Développement et industrialisation : Intégrer les fonctionnalités d'IA générative directement dans la codebase Python existante, en collaboration avec les ingénieurs logiciels. * Évaluation de la fiabilité : Mettre en place des protocoles de tests (benchmarks, LLM-as-a-judge) pour mesurer la précision des sorties et identifier les risques d'hallucinations. * Conformité et éthique : Appliquer les règles de "Responsible AI" du groupe, incluant la mise en place de guardrails techniques et la documentation des décisions algorithmiques pour l'auditabilité. MODALITÉS PRATIQUES * Localisation : Paris, Avenue de la grande armée * Organisation : 3 jours de présence sur site par semaine. * Équipe : Collaboration directe avec un Product Owner, des ingénieurs logiciels et deux autres data scientists. 1. Développement Python : Capacité à produire un code structuré et maintenable en environnement de production 2. Frameworks d'orchestration : Expérience avec LangChain, LangGraph ou CrewAI 3. Bases de données vectorielles : Utilisation de Pinecone, Weaviate ou FAISS pour la recherche sémantique 4. Environnement technique : Connaissance des services cloud (type AWS Bedrock) et des outils de CI/CD (Git) 5. Rigueur scientifique : Approche axée sur la preuve et l'évaluation systématique des modèles 6. Capacité d'intégration : Aptitude à travailler au sein d'une équipe multidisciplinaire et à s'adapter à une architecture logicielle préexistante 7. Communication factuelle : Transmettre les capacités et les limites réelles des modèles aux parties prenantes sans surpromesse 8. Pragmatisme : Prioriser les solutions robustes et industrialisables par rapport aux expérimentations isolées