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.

• 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