Expert Data & Retrieval - Legaltech

Contexte

Aux côtés d’une équipe d’experts passionnés au sein de l’équipe “AI Service”, vous relèverez les plus hauts défis techniques de la société, et du marché de l’édition juridique. En tant qu’Expert Data & Retrieval, vous êtes le garant de la matière première de notre IA : la collecte, l’ingestion, l’indexation et la recherche de pertinence sur des volumes juridiques massifs, le socle qui alimente nos modèles de langage et nos produits. Votre terrain de jeu : transformer la manière dont tout un secteur, le droit, travaille au quotidien.

Missions

Votre mission n'est pas d'écrire un simple script, mais de concevoir des pipelines de données robustes capables d'ingérer, de nettoyer et d'indexer d'énormes corpus juridiques, puis d'exposer une recherche rapide et pertinente (sémantique et hybride) au service de plusieurs équipes à travers l'Europe. Vous garantirez la fraîcheur des index et la qualité du retrieval tout en gérant une complexité technique de haut vol (volumétrie, hétérogénéité des sources, évaluation de la pertinence, scalabilité…).

Vos missions principales : bâtir, outiller, transmettre

1. Collecte, ingestion & indexation

   • Pipelines d'ingestion : concevoir la collecte et le traitement de sources hétérogènes (édition, open data, bases juridiques), le parsing, le nettoyage, le chunking et la normalisation des documents.
   • Indexation & embeddings : choisir et industrialiser les modèles d'embeddings, alimenter et maintenir les bases vectorielles, gérer la fraîcheur et la reconstruction des index.
     • Qualité & volumétrie : garantir la scalabilité de l'indexation sur des corpus massifs et la traçabilité des données (lignage, versioning des index).

2. Recherche & pertinence (Retrieval)

   • Stratégie de retrieval : combiner recherche lexicale et sémantique (BM25 + embeddings) avec reranking et filtrage par métadonnées pour maximiser la pertinence.
   • Évaluation continue : mettre en place des jeux de tests et des métriques de pertinence (recall, precision, nDCG, MRR) pour mesurer et améliorer le retrieval.
   • RAG : structurer la phase de récupération qui alimente les LLM (contexte, citations, dé-duplication, gestion des fenêtres de contexte).
   • Observability & Security : instrumenter les pipelines (logs, métriques, traces de qualité) et garantir la sécurité et la conformité des données juridiques (RGPD, cloisonnement par pays).

3. Leadership Technique & Gouvernance

   • Culture Craftsmanship : promouvoir les pratiques de Clean Code, SOLID, et tests automatisés.
   • Rayonnement : assurer une veille constante et contribuer au rayonnement technique du groupe (articles, meetups, open-source).

Stack technique

• Langages : Python 3.11+ (maîtrise requise), Go.
• Indexation : bases vectorielles (pgvector, Weaviate, Qdrant, OpenSearch), recherche hybride / BM25.
• Embeddings & NLP : sentence-transformers, modèles d'embeddings, tokenisation, parsing de documents.
• RAG & LLM : LangChain, RAG, reranking, OpenAI, Mistral, Bedrock.
• Data & infra : PostgreSQL, Airflow / Spark (ou équivalent), Kefka, Redis, Docker, CI/CD, K8S.
• Tests : Pytest ; évaluation de la pertinence (recall, nDCG, MRR).

Fourchette de rémunération

[Information non communiquée]

Profil

• Diplôme : Master, PhD, ou équivalent.

1. Diplôme : Master, PhD, ou équivalent
2. Maîtrise requise de Python 3.11+
3. Connaissance de Go
4. Expérience avec bases vectorielles (pgvector, Weaviate, Qdrant, OpenSearch) et recherche hybride / BM25
5. Compétences en embeddings & NLP : sentence-transformers, modèles d'embeddings, tokenisation, parsing de documents
6. Expérience avec RAG & LLM : LangChain, RAG, reranking, OpenAI, Mistral, Bedrock
7. Connaissances en data & infra : PostgreSQL, Airflow / Spark (ou équivalent), Kefka, Redis, Docker, CI/CD, K8S
8. Maîtrise des tests : Pytest ; évaluation de la pertinence (recall, nDCG, MRR)
9. Expérience avérée en data engineering / information retrieval sur des volumes massifs en production
10. Expertise Retrieval : maîtrise de l'indexation, des embeddings et de la recherche hybride, capacité à mesurer et améliorer la pertinence
11. Culture Data : pipelines reproductibles, qualité et lignage des données, versioning des datasets et des index
12. Solide culture IA / ML : embeddings, NLP et bonne compréhension des LLM
13. Polyvalence appréciée, notamment une appétence pour Java
14. Anglais fluide (contexte européen quotidien)
15. Vision Produit : compréhension des enjeux métiers du droit pour prioriser les fonctionnalités
16. Leadership Technique & pédagogie : capacité à évangéliser les bonnes pratiques data, retrieval et IA
17. Obsession de la Qualité : rigueur sur la sécurité des données et la fiabilité des services
18. Esprit d'innovation : curiosité pour les avancées de l'écosystème IA, NLP et data
19. Communication : savoir vulgariser des concepts complexes