Pré-Embauche - Tech Lead Expert Data Retrieval Rag H/F

PRE EMBAUCHE - 6 mois de mission maximum

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.

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...)., Profil recherchéObjectifs et livrablesVotre 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, transmettre1. Collecte, ingestion & indexationPipelines 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 pertinenceÉvaluation 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 & GouvernanceCulture Craftsmanship : promouvoir les pratiques de Clean Code, SOLID, et tests automatisésRayonnement : assurer une veille constante et contribuer au rayonnement technique du groupe (articles, meetups, open-source).ProfilDiplôme : Master, PhD, ou équivalent.Fourchette de rémunération :Compétences requises :Stack "Cible" (à challenger) :Langages : Python 3.11+ (maîtrise requise), Go.Indexation : bases vectorielles (pgvector, Weaviate, Qdrant, OpenSearch), recherche hybride / BM25Embeddings & 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).Compétences attendues :Expérience avérée en data engineering / information retrieval sur des volumes massifs en production.Expertise Retrieval : vous maîtrisez l'indexation, les embeddings et la recherche hybride, et vous savez mesurer puis améliorer la pertinence.Culture Data : pipelines reproductibles, qualité et lignage des données, versioning des datasets et des index.Solide culture IA / ML : embeddings, NLP et bonne compréhension des LLM (sans en être nécessairement l'expert serving).Polyvalence appréciée : une appétence pour d'autres langages (Java notamment) pour prêter main-forte sur des sujets transverses est un vrai plus.Anglais fluide (contexte européen quotidien)Soft SkillsVision Produit : comprendre les enjeux métiers du droit, Objectifs et livrables

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)., 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).

Diplôme : Master, PhD, ou équivalent., Stack "Cible" (à challenger) :

• 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)., * Expérience avérée en data engineering / information retrieval sur des volumes massifs en production.
• Expertise Retrieval : vous maîtrisez l'indexation, les embeddings et la recherche hybride, et vous savez mesurer puis améliorer la pertinence.
• Culture Data : pipelines reproductibles, qualité et lignage des données, versioning des datasets et des index.
• Solide culture IA / ML : embeddings, NLP et bonne compréhension des LLM (sans en être nécessairement l'expert serving).
• Polyvalence appréciée : une appétence pour d'autres langages (Java notamment) pour prêter main-forte sur des sujets transverses est un vrai plus.
• Anglais fluide (contexte européen quotidien)

Soft Skills

• Vision Produit : comprendre les enjeux métiers du droit

EUR

Management d'équipe Anglais Intelligence artificielle Clean Normalisation PostgreSQL Java Logiciels de gestion de versions Docker

Taux journalier :Salaire selon profil, Fourchette de rémunération