STAGE : Développement d'un module d'extraction de données textuelles H/F
Il y a 10 heures
FontenayauxRoses, Ile-de-France
ASNR - Autorité de sûreté nucléaire et de radioprotection
Temps plein
Gratuit avec email ou Google
Enregistrez cette offre et organisez votre recherche
Créez un compte gratuit pour enregistrer des offres d'emploi, créer des alertes et revenir à cette liste depuis votre tableau de bord.
Gratuit avec email ou Google
En continuant, vous acceptez nos Conditions d’utilisation & Politique de confidentialité.
L'Autorité de sûreté nucléaire et de radioprotection est une autorité administrative indépendante créée par la loi du 21 mai 2024 relative à l'organisation de la gouvernance de la sûreté nucléaire et de la radioprotection pour répondre au défi de la relance de la filière nucléaire. Elle assure, au nom de l'État, le contrôle des activités nucléaires civiles en France et remplit des missions d'expertise, de recherche, de formation et d'information des publics. L'ASNR est composée de fonctionnaires, d'agents de droit public et de salariés de droit privé.
La mission est de concevoir et développer un prototype de nouveau composant open source / libre de droits dédié à l'extraction, au filtrage et à l'indexation structurée des documents pour l'application PIREX.
En Particulier, Il S'agira De
• Benchmark & Etude amont:
• Évaluer comparativement différentes solutions open source d'OCR et de Document Layout Analysis (ex. Tesseract,...)
• Analyser l'opportunité d'une approche par apprentissage supervisé de modèles de documents
• Conception & Développement du module d'extraction :
• Implémenter des algorithmes de détection et suppression des zones de bruit (en-têtes, pieds de page, métadonnées non signifiantes).
• Intégration avec Elasticsearch :
• Valider la cohérence des indexations et tester les requêtes de recherche et de similarité textuelle. Vous préparez un Master 1 ou Master 2, ou un diplôme d'école d'ingénieur, dans le domaine de l'informatique, de la science des données ou dans une spécialité équivalente. Compétences recherchées : Bonne maîtrise du développement logiciel, notamment en Python, avec pratique des outils de versioning, des tests et de la manipulation de données structurées (JSON). Des connaissances en moteurs d'OCR open source (Tesseract, PaddleOCR) sont un plus. Organisé(e), vous savez faire preuve de curiosité intellectuelle, rigueur scientifique, autonomie dans la démarche expérimentale, esprit d'analyse, capacité à documenter ses choix techniques et à travailler en équipe.
• Benchmark & Etude amont:
• Évaluer comparativement différentes solutions open source d'OCR et de Document Layout Analysis (ex. Tesseract,...)
• Analyser l'opportunité d'une approche par apprentissage supervisé de modèles de documents
• Conception & Développement du module d'extraction :
• Implémenter des algorithmes de détection et suppression des zones de bruit (en-têtes, pieds de page, métadonnées non signifiantes).
• Intégration avec Elasticsearch :
• Valider la cohérence des indexations et tester les requêtes de recherche et de similarité textuelle. Vous préparez un Master 1 ou Master 2, ou un diplôme d'école d'ingénieur, dans le domaine de l'informatique, de la science des données ou dans une spécialité équivalente. Compétences recherchées : Bonne maîtrise du développement logiciel, notamment en Python, avec pratique des outils de versioning, des tests et de la manipulation de données structurées (JSON). Des connaissances en moteurs d'OCR open source (Tesseract, PaddleOCR) sont un plus. Organisé(e), vous savez faire preuve de curiosité intellectuelle, rigueur scientifique, autonomie dans la démarche expérimentale, esprit d'analyse, capacité à documenter ses choix techniques et à travailler en équipe.