Knowledge Graph Engineer

Vous travaillerez en binôme direct avec le Head of Product & Technology de Bionnov Forge, qui assure aujourd'hui la conception et le développement du produit, et en lien étroit avec le Directeur Scientifique du groupe, responsable de la construction de la base de connaissances. Ensemble, vous consoliderez le knowledge graph, vous industrialiserez son alimentation et vous ferez progresser son exploitation par l'intelligence artificielle (GraphRAG) au sein du produit. C'est un poste exigeant et formateur, pensé pour un.e ingénieur.e qui souhaite s’investir dans une start-up early-stage. En tant que premier recrutement CDI chez Bionnov Forge, vous aurez la responsabilité entière d'une couche de données en production, disposerez de réelles marges de manœuvre, et poserez les fondations data et IA d'une équipe appelée à grandir. Vos

missions:
Consolidation du Knowledge Graph 🕸️
* Audit et revue de structure : Conduire une revue complète de la structure actuelle du graphe (types de nœuds, relations, propriétés, cardinalités) et en évaluer la cohérence, la couverture et l'adéquation aux usages du produit ;
* Schéma cible et gouvernance : Définir et documenter le schéma cible et les règles qui le gouvernent ;
* Contrôle qualité et métriques : mesurer la qualité globale du graphe et dresser un état des lieux chiffré (couverture, reproductibilité, surreprésentations, biais) ;
* Alignement scientifique : évaluer, avec les ingénieurs biomiméticiens, la pertinence des liens établis entre stratégies biologiques et problèmes industriels, ainsi que la fidélité de leur représentation dans le graphe. GraphRAG et exploitation par l'IA 🧠
* Optimisation de la recherche : faire évoluer le moteur hybride (recherche vectorielle, PageRank) pour maximiser la pertinence des réponses des LLM ;
* Évaluation et benchmark : construire les jeux de test (ground truth) et mesurer l'impact de chaque modification (structure ou data) avant sa mise en production. Intégration produit 💻
* Suivi et analyse des usages : suivre le fonctionnement, l'utilisation réelle et la qualité des usages du graphe au sein du produit pour ajuster les développements data.
* Nouvelles fonctionnalités applicatives : ouvrir de nouveaux usages dans le pipeline de Forge, en particulier l'interrogation à la demande et l'enrichissement des étapes d'analyse et de notation.
* Intégration backend : intégrer vos développements dans le backend Python de Forge (FastAPI, Memgraph, Azure) avec leurs tests et le suivi des coûts et temps d'exécution.
* Feuille de route technique : participer aux revues d'architecture et à la construction de la roadmap technique du produit.
* École d'ingénieur généraliste ou à dominante physique, mécanique, chimie ou biotechnologies,
* Spécialisation en data ou en IA (option de dernière année, mastère spécialisé), ou thèse en ingénierie des connaissances, knowledge graphs ou traitement du langage ;
* Première expérience concrète sur la construction ou la maintenance d'un knowledge graph/ontologie (emploi, thèse ou stage)
* 2 ans d'expérience ou plus sur un poste data ou IA appréciés.
* Anglais technique courant (produit et documentation en anglais). Environnement technique & Outils
* Outils utilisés au quotidien : o Python o Memgraph (ou Neo4j) o Cypher o Git/Github o Docker
* Méthodes & Assistants de code : usage maîtrisé des outils d'IA (Claude, GPT, Gemini) comme levier de productivité pour spécifier, générer et relire du code, tout en conservant la capacité de produire et juger sans en dépendre. En plus :
* Frameworks GraphRAG (Microsoft GraphRAG, LlamaIndex, LangChain),
* Exécution locale de LLM (Ollama, vLLM),
* Notions d'environnement Azure ou Kubernetes. Hard skills
* Graphes & Ontologies : conception de structures de données complexes, modélisation d'ontologies, écriture de requêtes Cypher sur des bases de données orientées graph (Memgraph, Neo4j) ;
* Ingénierie Data : gestion de la qualité des données (normalisation, déduplication, traçabilité, règles de validation) ;
* Développement Python : maîtrise d'un code propre, structuré et testé, capacité à s'intégrer dans un backend existant et manipulation de données avec l'écosystème classique (pandas, NumPy, SciPy) ;
* IA & Recherche d'information : maîtrise des embeddings, du clustering, de la recherche vectorielle et de l'optimisation d'architectures RAG / GraphRAG ;
* Évaluation LLM & Prompt Engineering : conception de jeux d'évaluation, utilisation de juges LLM, maîtrise des statistiques appliquées (biais, variance, reproductibilité) et gestion des risques (hallucinations, injections) ;
* Qualité des données : normalisation, déduplication, définition des règles de validation et traçabilité des pipelines