Tech Lead GenAI, Data Science

Contexte d?utilisation chez Limagrain Compétences attendues Niveau RAG end-to-end Retrievers & embeddings Assistants scientifiques, juridiques et métiers sur corpus internes.

Vérifiez attentivement tous les documents de candidature associés avant de cliquer sur le bouton "Postuler" au bas de cette description.

Optimiser la récupération de sources fiables.

Ingestion, parsing, OCR, structure, chunking, embeddings, indexation, retrieval, reranking, génération et citations.

Indispensa ble Dense/sparse/hybride, metadata filters, multi query, parent-child, contextual retrieval, vector stores et évaluation du retrieval.

Indispensa ble Analyse documentaire Exploiter PDF, Word, PowerPoint, Layout-aware parsing, OCR, extraction Indispensa Référentiel de compétences
- Tech Lead GenAI Limagrain
- Septembre 2026 Référentiel de compétences
- Tech Lead GenAI Limagrain
- Septembre 2026 Technologies / savoir-faire Contexte d?utilisation chez Limagrain Compétences attendues Niveau tableaux, scans et dossiers complexes.

tables/images, métadonnées, déduplication, classification et validation.

ble VLM & VQA Analyser images, figures, schémas, parcelles, maladies, rapports et documents multimodaux.

Vision-language models, visual question answering, grounding, OCR multimodal, évaluation et limites.

Avancé Gestion du contexte Maîtriser qualité, coût et mémoire des agents.

Context engineering, fenêtres, compression, résumé, mémoire court/long terme, cache, provenance et isolation.

Indispensa ble Single-agent Automatiser une tâche métier avec outils et garde-fous.

ReAct/tool calling, structured outputs, validation, retries, human-in-the-loop et permissions.

Indispensa ble Multi-agent Décomposer les workflows complexes entre agents spécialisés.

Supervisor, router, planner-executor, handoffs, shared state, parallélisme, consensus et contrôle des boucles.

Avancé LangChain / LlamaIndex Assembler modèles, retrievers, tools et chaînes RAG.

Intégrations, loaders, chains, agents, structured output et composants remplaçables.

Avancé LangGraph Orchestration stateful et durable de workflows agentiques.

Graphes, état, checkpoints, streaming, interruptions, human-in-the-loop et reprise.

Avancé LangSmith Tracing, debugging, datasets, évaluations et monitoring.

Profil candidat: ? Formation supérieure en Data Science, Machine Learning, informatique, mathématiques appliquées, géomatique, bio-informatique ou domaine scientifique proche.

? Expérience significative de R&D appliquée : formulation d?hypothèses, prototypage, expérimentation, évaluation, documentation et transfert vers la production.

? Expérience de déploiement Cloud en production sur GCP et/ou Azure, avec sécurité, CI/CD, IaC, monitoring et maîtrise des coûts.

? Expérience concrète de plateformes RAG et d?agents comportant des intégrations SI, des validations humaines et une observabilité granulaire.

? Capacité démontrée à lire et challenger des publications scientifiques et techniques, puis à les traduire en choix d?architecture ou protocoles d?évaluation.

? xuezdbg Expérience de coordination de pilotes, benchmarks, ateliers métiers, prestataires, experts scientifiques, équipes Data/Cloud/Sécurité et sponsors.