DevX - IA - CDI H/F

Dans le cadre du lancement du programme DevX, qui vise à industrialiser et standardiser les pratiques de développement de la DSI tout en intégrant massivement l'IA générative dans les outils du quotidien (IDE, CI/CD), nous recherchons un profil de Développeur Confirmé., * Versioning : Git (flows collaboratifs avancés) [Intermédiaire]

4. Méthodologie & Soft Skills

• Agilité à l'échelle : Maîtrise du cadre SAFe (Note : la certification SPC est un plus, mais une expérience concrète en train SAFe est impérative) [Confirmé]

• Communication : Capacité à synthétiser et exposer un raisonnement technique de façon logique et argumentée (Niveau présentation CoDir DSI).

• Savoir-être : Forte autonomie et capacité à travailler en transverse.

Dans ce contexte DevX + IA générative, quand ton client parle de "contextualisation", il ne parle pas juste de "mettre du contexte" au sens vague - c'est un sujet central des architectures GenAI, surtout autour du RAG (Retrieval-Augmented Generation).

Je te traduis ça concrètement -

• 1. La "contextualisation" = donner les bonnes infos au LLM

Un LLM (type GPT-4 ou équivalent) ne connaît pas tes données internes (docs, code, procédures, etc.).

• Donc la contextualisation consiste à :

• récupérer les bonnes données métier

• les injecter dans le prompt

• pour que le modèle réponde de façon pertinente

Sans ça réponses génériques ou hallucinations.

• 2. Le lien avec RAG (le cœur du sujet)

Dans ta fiche, ils mentionnent explicitement LLM, RAG, Prompt Engineering.

• Le RAG, c'est exactement ça :

1. L'utilisateur pose une question

2. Tu fais du requêtage sur tes données (docs, code, KB…)

3. Tu récupères les morceaux pertinents

4. Tu les injectes dans le prompt du LLM

• Ça = contextualisation dynamique

• 3. "Données / requêtage" = la partie technique derrière

Quand ils parlent de requêtage, ça veut dire :

a) Où sont les données ?

• Bases de données

• APIs internes

• Documentation (Confluence, Git, etc.)

• Logs, tickets…

b) Comment on les récupère ?

• recherche classique (SQL, API)

• recherche sémantique (embeddings + vector DB)

Exemple d'outils souvent utilisés :

• Elasticsearch (full-text)

• Pinecone ou équivalent (vector search)

• 4. Exemple concret (très DevX)

Imaginons un dev qui demande :

"Comment configurer le pipeline Jenkins pour ce projet ?"

1. IA Générative & Modern Engineering (Cœur de la mission)

• IA Agentique & Frameworks : LangChain ou équivalent [Intermédiaire]

• GenAI : LLM, RAG, Prompt Engineering [Intermédiaire]

• Outillage IA : Maîtrise avancée de Github Copilot (ou équivalent) pour le code [Intermédiaire]

• Langage : Python [Confirmé]

2. Socle DevOps & Automatisation

• Culture & Pratiques : Fortes compétences en Craftsmanship, "Everything-as-Code" et manipulation d'API.

• CI/CD & Usine Logicielle : Jenkins, Gitlab-CI, Maven, Artifactory, SonarQube [Intermédiaire/Confirmé]

• IaC & Config Management : Terraform, Ansible [Intermédiaire]

• Conteneurisation : Docker, Kubernetes [Intermédiaire]

• Scripting : Shell [Intermédiaire]

• Sécurité : Gestion des certificats/SSL et bonnes pratiques SecOps [Intermédiaire]

3. Stack de Développement Standard

• Backend : Java / SpringBoot [Intermédiaire], * tu vas chercher dans :

• repo Git

• doc interne CI/CD

• tu injectes ça dans le prompt

• réponse spécifique à TON SI

• 5. "IA agentique" (mentionné dans la fiche)

Avec des frameworks comme LangChain :

• tu automatises tout ça :

• agent qui décide quoi requêter

• appelle API / DB

• construit le contexte

• appelle le LLM

Donc la contextualisation devient automatique et intelligente