Mise en place d’un système intelligent de Q&A sur une large documentation technique basé sur RAG et l’IA générative.

Missions:

• Construire un pipeline d’indexation: ingestion PDF, chunking, embeddings et index vectoriel
• Implémenter une chaîne RAG complète: retrieval hybride, re-ranking, génération de réponses sourcées
• Intégrer la détection hors-sujet et un chatbot conversationnel avec historique
• Évaluer, affiner et déployer: exactitude, latence, taux de refus corrects

Objectifs mesurables:

• ≥75% d’exactitude des réponses (jeu de test annoté)
• 95% des réponses citent leurs sources
• Latence ≤10 secondes
• Couverture du corpus ≥90%
• Interface utilisateur fonctionnelle (chat web ou CLI)

Technologies/Outils:

• NLP/Orchestration: Hugging Face, Sentence-Transformers, LangChain/LlamaIndex
• Index/DB: Milvus, Weaviate, Azure AI Search, Pinecone
• Ingestion: PyMuPDF, pdfplumber, Unstructured, Playwright/Selenium
• Backend: FastAPI, Redis, Pydantic
• Frontend: Vue.js/React, Streamlit (optionnel)
• LLM: OpenAI GPT-4/Azure OpenAI, Mistral, Llama 2; prompts Jinja2
• MLOps/Évaluation: MLflow, Ragas/TruLens, W&B, N8N; Git/GitHub
• Infra: Docker, Python, Jupyter

Mots-clés: RAG, Semantic Search, Fine-tuning, Generative AI, Chatbot