Data Engineer – Plateforme GenAI

Contexte

Grand groupe pharmaceutique international qui fait évoluer sa plateforme GenAI interne pour automatiser et fiabiliser la production documentaire à grande échelle. Dans un environnement fortement réglementé, l'enjeu est de construire des fondations data robustes et scalables pour alimenter les workflows d'intelligence artificielle en production.

Missions

• Parsing & ingestion : développer et maintenir des parsers multi-formats (DOCX avec styles, tables et track changes ; Excel avec cellules fusionnées, multi-feuilles et formules)

• Modèle de données intermédiaire : définir un format normalisé post-parsing, compatible avec les workflows Data Science en aval

• Traçabilité & qualité des données : implémenter la traçabilité source à travers les pipelines d'ingestion ; assurer les contrôles de complétude (doublons, métadonnées manquantes, cohérence)

• CI/CD & déploiement : concevoir et déployer des pipelines CI/CD via Terraform ; mettre en place des smoke tests et workflows de validation post-ingestion

Stack & compétences attendues

• Python avancé, notamment sur le parsing documentaire (DOCX, Excel)

• Data pipelines, CI/CD et infrastructure cloud (AWS, Terraform)

• Qualité des données, robustesse et scalabilité

• Interface régulière avec des équipes Data Science

Modalités

• Démarrage : dès que possible

• Localisation : Paris – 3j/semaine sur site

• TJM : selon profil

• Durée : mission longue durée

1. 5 ans d'expérience minimum en tant que Data Engineer

2. Parsing documentaire avancé — maîtrise de python-docx, openpyxl ou équivalents, avec gestion des cas complexes (styles, track changes, cellules fusionnées, formules)

3. Data pipelines & qualité — expérience en ingestion, transformation, traçabilité et contrôles de complétude en environnement de production

4. Infrastructure cloud AWS + Terraform — capacité à concevoir et déployer une infra from scratch, pas juste l'utiliser

5. CI/CD appliqué à la data — smoke tests, validation post-ingestion, automatisation des déploiements pipelines