Data Scientist GenAI - Freelance (H/F)

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.

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