Le patrimoine salarié, c'est une jungle : contrats santé, prévoyance, retraite, épargne salariale, bulletins, avenants? Des dizaines de docs illisibles, différents chez chaque assureur, que personne ne pilote.
Ton job : construire les systèmes IA qui transforment ce chaos en données exploitables puis en outils métier concrets, utilisés tous les jours par nos analystes et clients pour piloter la rémunération comme un investissement.
Le tout dans un cadre frugal et souverain (modèles open source, on-premise, sécurité des données), un cadre posé par notre CTPO, dans lequel tu construis l'intelligence.
Profil candidat:
Ton c?ur de métier (non négociable)
- Python orienté IA / data, solide, idéalement en contexte B2B.
- Écosystème LLM : LangChain, LlamaIndex ou équivalent.
- Systèmes agentiques : multi-agents (orchestration, mémoire, planification), RAG, function calling, MCP.
- LLM open source (Mistral, LLaMA?) : évaluation, prompting, fine-tuning selon les cas d'usage.
- Rigueur sur l'éval : evals, benchmarks, détection des régressions. Pas de mise en prod « au feeling ».
- Modélisation data pour l'IA : SQL, JSON Schema, Pandas / PgSQL, feature engineering, nettoyage, normalisation.
- Agents de code comme levier de productivité : prompter juste, déléguer, itérer vite sur l'existant.
Ce sur quoi tu t'appuies (tu livres, sans en être le lead)
- Backends Python / FastAPI pour exposer tes capacités IA (tes APIs, tu les livres toi-même).
- Interfaces analystes : connaissances React, Chainlit, assez pour livrer une interface utilisable.
Tes missions, et le niveau attendu
- Pipelines légers : Prefect, Snakemake
Agents & IA (50 % de ton temps) ? tu construis le cerveau Concevoir et déployer des agents pour extraire et analyser les docs du patrimoine salarié. Architecturer du multi-agents (orchestration, mémoire, planification, MCP, function calling). Monter des pipelines RAG adaptés au métier. Expérimenter, évaluer, fine-tuner des LLM open source. Faire des choix frugaux dans tes propres systèmes (le bon modèle, pas le plus gros).
Data pour l'IA (20 % de ton temps) ? tu prépares le carburant de tes modèles Concevoir les schémas structurés qui alimentent tes agents (SQL, JSON Schema). Feature engineering, nettoyage, normalisation. Respecter la qualité, la traçabilité et la conformité (RGPD, souveraineté).
Applicatif (30 % de ton temps) ? tu livres du concret Backends Python pour exposer l'IA. Interfaces pour que les analystes bossent avec les agents. Interfaces conversationnelles (Chainlit). Itérations courtes, culture SaaS B2B rigoureuse. Du prototype à la prod, en autonomie.