Développeur Backend Python - IA Générative - data scientist

Contexte

Dans le cadre du programme Augmented, la prestation contribuera au développement backend d’une plateforme basée sur des agents intelligents tel que les agents de type Retrieval-Augmented Generation (RAG), dans un environnement Google Cloud Platform (GCP).

Cette plateforme permet aux utilisateurs métiers de créer et de personnaliser des assistants et des workflows utilisant l'IA générative pour améliorer nos processus et systèmes d'information (SI) existants.

La prestation sera réalisée en Python. Les composants techniques sont réalisés dans une architecture micro-services. Ils sont à développer, à intégrer dans l’écosystème, à maintenir et à faire évoluer.

Missions

• Exploration et évaluation des différents frameworks et protocoles d’échanges inter-agents, et sur de nouvelles technologies
• Collaboration active avec les équipes métiers pour comprendre leurs besoins et proposer des solutions transformatives basées sur de l’IA Agentic

Livrables

• Agents orchestrés
• Code des développements demandés, conçus et mis en œuvre
• Code des tests unitaires et d’intégrations automatisés
• Documentation du code expliquant les programmes et algorithmes
• Évaluation de la performance des systèmes multi-agents réalisés

Savoir-faire nécessaire à la réalisation de la prestation

Expertise en Data Science et en particulier autour des technologies d’IA générative.

Socle technique – Data Science & IA

• Maîtrise de Python et SQL/BigQuery ; packaging, gestion des dépendances, clean code
• Maîtrise des algorithmes de ML : classification, régression, clustering, deep learning
• Connaissance des frameworks ML : Scikit-learn, TensorFlow/Keras, PyTorch
• Compétences avancées en GenAI : LLM, RAG, fine-tuning, prompt engineering, évaluation et déploiement de modèles génératifs
• Connaissance des concepts clés : Generative AI, agents, assistants, hallucinations, biais, limites des modèles
• Expertise en agents intelligents : conception de workflows multi-agents, frameworks (ADK, GEMINI ENTREPRISE, …)
• Maîtrise des méthodes d'évaluation des agents et pipelines RAG (RAGAS, Langfuse, LLM as a judge)

Développement back-end & intégration

• Conception et développement d'API REST/JSON, architecture orientée objet
• Développement d'applications GenAI : intégration agents/RAG, gestion de prompts et templates, itération
• Tests automatisés, revue de code, observabilité (logs, métriques, traces), gestion des erreurs

Industrialisation & DevOps

• Maîtrise des pratiques DevOps/MLOps : CI/CD, Docker, Kubernetes, Git
• Mise en place et maintenance de pipelines (tests, qualité, déploiement) et gestion des environnements (dev/recette/prod)
• Architectures Cloud (GCP, AWS, Azure) et outils MLOps associés
• Monitoring et optimisation des performances de solutions IA en production

Collaboration & méthodes

• Capacité à cadrer un besoin, proposer une solution technique et estimer une charge
• Travail en mode Agile, interaction avec les parties prenantes produit
• Anglais courant (lecture de documentation, échanges techniques)

1. Expertise en Data Science et en particulier autour des technologies d’IA générative
2. Maîtrise de Python et SQL/BigQuery ; packaging, gestion des dépendances, clean code
3. Maîtrise des algorithmes de ML : classification, régression, clustering, deep learning
4. Connaissance des frameworks ML : Scikit-learn, TensorFlow/Keras, PyTorch
5. Compétences avancées en GenAI : LLM, RAG, fine-tuning, prompt engineering, évaluation et déploiement de modèles génératifs
6. Connaissance des concepts clés : Generative AI, agents, assistants, hallucinations, biais, limites des modèles
7. Expertise en agents intelligents : conception de workflows multi-agents, frameworks (ADK, GEMINI ENTREPRISE, …)
8. Maîtrise des méthodes d'évaluation des agents et pipelines RAG (RAGAS, Langfuse, LLM as a judge)
9. Conception et développement d'API REST/JSON, architecture orientée objet
10. Développement d'applications GenAI : intégration agents/RAG, gestion de prompts et templates, itération
11. Tests automatisés, revue de code, observabilité (logs, métriques, traces), gestion des erreurs
12. Maîtrise des pratiques DevOps/MLOps : CI/CD, Docker, Kubernetes, Git
13. Mise en place et maintenance de pipelines (tests, qualité, déploiement) et gestion des environnements (dev/recette/prod)
14. Architectures Cloud (GCP, AWS, Azure) et outils MLOps associés
15. Monitoring et optimisation des performances de solutions IA en production
16. Capacité à cadrer un besoin, proposer une solution technique et estimer une charge
17. Travail en mode Agile, interaction avec les parties prenantes produit
18. Anglais courant (lecture de documentation, échanges techniques)