TROUVE TES PROCHAINES MISSIONS FREELANCE ET PROPULSE TA CARRIÈRE !

L?objet de la présente prestation est d' Analyser les données disponibles, puis avec de l'IA générative tester les corrélations afin de construire une cartographie du réseau intra DataCenter et finir par implémenter un/des Use Case(s) à base d'IA générative sur de l'analyse bout en bout d'impact suite à incident , de simulation de change, ... Plusieurs Tâches : Tâche 1 : Analyse des données Description des prestations : Les données sont issues de diverses sources: UCMDB, données issues d'un protocole de découverte des équipements connectés au réseau, les fichiers de config (les sources of Truth) , les logs réseau. Il faudra être force de proposition pour la complétude. Tâche 2 : Corrélation/cartographie réseau Description des prestations : À partir des données identifiées dans le lot précédent, il s'agit en utilisant un LLM de créer cette cartographie des liens entre équipements réseaux ainsi que les états de ces liens. Étudier les performances de réponses. En sortie, la faisabilité ou pas de cette corrélation dynamique et l'architecture de stockage des réponses. Si nécessaire, intégrer du machine learning en prétraitement. Tâche 3 : Réalisation d'un ou plusieurs Use cases basé(s) sur la cartographie Description des prestations : Suite au lot précédent, il s'agira de développer un use case basé sur l'usage des LLM OnPrem et autres openWebUI sur des sujets de type analyse d'impact d'incident, simulation d'impact de change,...le sujet sera défini en commun en fonction des données et du temps à allouer - la rédaction des procédures d?intégrations associées. Objectifs et livrables : Collecte des données Cartographie du réseau Retours écrits

Référent·e technique de l'équipe sur les sujets IA générative (LLM, RAG, agents, chatbots) et traitement de données non structurées (PDF, images). Ton rôle : concevoir, industrialiser et fiabiliser des solutions IA en production, tout en instaurant des standards d'ingénierie logicielle (tests, CI/CD, MLOps/LLMOps, sécurité). Responsabilités principales Concevoir et déployer des architectures robustes autour des LLM, RAG, agents et chatbots. Construire des pipelines de traitement de documents complexes (PDF, OCR, images, multimodal). Industrialiser et monitorer les chatbots (latence, coût, taux de réponse, satisfaction utilisateur). Mettre en place et faire respecter les bonnes pratiques de dev : code propre, tests, revues, CI/CD. Industrialiser l'IA via MLOps/LLMOps : suivi d'expériences, déploiement, monitoring, observabilité. Garantir la qualité des données, la conformité (GDPR) et la sécurité des solutions. Accompagner et mentorer l'équipe sur les méthodes, outils et patterns d'IA générative. Compétences techniques attendues IA générative, LLM, RAG, Prompt optimisation, Agents & orchestration Chatbots Traitement de données non structurées PDF & documents : parsing, OCR, extraction de tables et de structures. Images : prétraitement, détection/segmentation, compréhension multimodale (image+texte). Ingénierie & industrialisation Langages : Python avancé, SQL. APIs : conception et intégration Data pipelines : orchestration, streaming, feature stores. MLOps/LLMOps : CI/CD, Docker/Kubernetes, suivi des modèles, monitoring/observabilité, tests offline/online. Sécurité & conformité : gouvernance des données, IAM/secrets, mitigation des risques LLM (hallucinations, prompt injection, data leakage). Bonnes pratiques de dev Structuration des projets, templates, documentation vivante. Stratégie de tests Standards de code, revue d'architecture et diffusion des bonnes pratiques.

Mettre en place la collecte et la mise à disposition des données au sein de l'entreprise * Industrialiser et mettre en production des traitements sur les données (par exemple : mise à disposition de tableaux de bords, intégration de modèles statistiques) en lien avec les équipes métiers et les équipes qui les analysent Activités et tâches : * Acheminement de la donnée * Mise à disposition de la donnée aux équipes utilisatrices * Mise en production de modèles statistiques * Suivi de projet de développement * Développement job spark * Traitement et ingestion de plusieurs formats des données * Développement des scripts * Développement et Implémentation des collectes de données, des jobs de traitement et Mapping de données * Développement des moyens de restitution via génération de fichier et ou API & Dashboarding * Collecter toutes les données et les fournir aux clients en tant qu'API ou fichiers * Développer de pipelines d'ingestion à partir de différentes sources (streaming et batch) ainsi que des spark jobs le prétraitement des données et calcul des indicateurs de performance (KPI) * Développer des API génériques d'ingestion et de traitement de données dans un environnement HDP * Participer à la conception, mise en place et administration de solutions Big Data * Participation à l'installation, administration et configuration des Hadoop clusters. Mise en place en Spring Boot des services d'extraction de data du système legacy (tera data), la data sera par la suite envoyée au data lake via des topics Kafka * Normalisation et agrégation des données afin de produire les rapports sous forme de Business View, La mission va se dérouler au sein de l'IT Data Management & BI dans l'équipe Big Data & API / Squad CCO qui aujourd'hui gére l'Entrepôt des données client de la CIB à travers l'application interne utilisée par les équipes IT et métiers. L'objectif de la mission est de renforcer l'équipe avec un rôle de Développeur / Data Engineer orienté DevOps au sein de la Squad : - Gestion de la production - Gestion de la dette technique - Revoir l'architecture actuelle et proposer des évolutions - Développements liés aux projets Concrètement : la mission principale de la prestation aura pour but de : - traiter nos obsolescences de Framework (ex : springboot , spark2 ) - moderniser et industrialiser nos pipelines de build en intégrant les bonnes pratiques devsecops : - migration depuis tfs vers jenkins - création directe sur jenkins Le but étant d'optimiser notre code , d'assainir et d'automatiser nos déploiements via xldéploy. Le code concerne nos apis et nos process de transformation hadoop/spark ( en java , python )