Contexte et objectif

• Concevoir une solution intelligente pour automatiser et optimiser la validation des fichiers RDF et faciliter la collaboration et la traçabilité entre les équipes.
• Réduire les interventions manuelles tout en proposant des explications contextuelles et des corrections adaptées pour chaque anomalie détectée.

Fonctionnalités clés attendues

• Automatisation du processus complet de validation (ingestion, validation, reporting, correction proposée) avec des workflows pilotés (n8n).
• Détection et explication des erreurs de manière contextuelle, proposition de corrections et mécanismes d'amélioration continue basés sur l'historique des validations.

Architecture et composants techniques

• Back-end en Python pour la logique de validation, pipeline ETL RDF et intégration des modèles d'IA (LangChain) pour la génération d'explications et propositions de correction.
• Base de données PostgreSQL pour stocker les fichiers validés, les historiques d'actions, les métadonnées de traçabilité et les jeux d'entraînement/feedback.
• Front-end en React pour une interface de visualisation des erreurs, suggestions de correction, workflow de validation et collaboration entre utilisateurs.
• Orchestration des automatismes et des triggers via n8n pour piloter l'ingestion, la validation, les notifications et les workflows de correction.

Tâches et livrables attendus

• Implémentation d'un pipeline d'ingestion RDF et d'un moteur de règles de validation (syntaxe, schéma, contraintes sémantiques).
• Module d'explication d'erreurs et de génération de corrections proposées (intégration LangChain / LLM) avec évaluation de confiance.
• Interface utilisateur React présentant les erreurs, l'historique, les propositions de correction et les outils de collaboration/assignation.
• Jeu de tests, documentation technique, guide d'installation et démonstrateur fonctionnel (scénarios d'usage + métriques d'évaluation).

Critères d'évaluation

• Taux de détection d'anomalies (recall) et précision des corrections proposées.
• Qualité des explications (clarté, contextualisation) évaluée par tests utilisateurs et métriques internes.
• Robustesse de la traçabilité (audit trail) et facilité d'intégration dans pipeline existant.

Compétences recherchées

• Maîtrise de Python pour le back-end, traitement RDF et intégration d'APIs LLM (LangChain).
• Expérience React pour concevoir des interfaces de diagnostic et correction.
• Connaissances en bases relationnelles (PostgreSQL) et en outils d'orchestration/automation (n8n).
• Intérêt pour le Web sémantique (RDF, ontologies) et pour l'IA appliquée à l'explicabilité des erreurs.

Modalités et postuler

• Durée indicative : 3-6 mois, travail en mode agile et collaboration avec équipes data/produit.
• Technologies principales : n8n, Python, React, PostgreSQL, LangChain.
• Postuler en ligne via le lien suivant : https://lnkd.in/dgPWirGY