Descriptif du poste:\n\nSalaire: 900\nNous construisons une plateforme qui transforme des documents d'évidence clinique en graphe de connaissances et génère des dossiers destinés aux payeurs (assureurs santé), avec traçabilité complète - de l'ingestion à la rédaction, en passant par le contrôle qualité et le suivi des mises à jour d'évidence.\nVous prendrez en charge l'ensemble du périmètre IA/ML et backend, en autonomie, du prototype jusqu'à la production. Le front-end est géré par une autre équipe.\nVos missions\n* \nConcevoir des pipelines de parsing documentaire et d'extraction par LLM sur des rapports d'études cliniques et publications : segmentation, canonicalisation d'entités sur un graphe (avec une discipline de fusion stricte), détection terminologique.\n* \nImplémenter la couche graphe de connaissances Neo4j : migrations de schéma, templates Cypher, serveur de requêtes MCP.\n* \nDévelopper le backend FastAPI portant l'état des workflows, une projection Postgres avec réconciliation, et des agents LLM pour la rédaction et le contrôle qualité avec provenance vérifiable.\n* \nConstruire et maintenir le socle d'évaluation : jeux de données de référence (golden sets), métriques d'extraction, recalcul indépendant - chaque évolution est validée par la mesure, pas par la démo.\n \n\nProfil recherché:\n\nProfil recherché\n* \nPython solide, expérience en ingénierie LLM en production (Azure OpenAI ou équivalent), extraction structurée, conception de prompts et d'agents, gestion de tests mock/réel.\n* \nBases de données graphe et Cypher.\n* \nFastAPI ou équivalent, Postgres.\n* \nParsing documentaire (docx, pptx, PDF).\n* \nRigueur méthodologique sur l'évaluation.\n* \nÀ l'aise pour prendre des décisions d'architecture en autonomie et les défendre à l'écrit.\nUn plus\n* \nMCP ou frameworks d'agents à appel d'outils (tool-calling).\n* \nRecherche vectorielle et embeddings.\n* \nConnaissance du domaine clinique ou HEOR/market access.\n* \nDéploiement Docker mono-tenant.