Stage - Agentic Data Platform - F/H/N

Vous faites partie de celles et ceux qui pensent que même avec plusieurs années d’expérience, on continue à apprendre ? Alors nous sommes sur la même longueur d'onde ! Et si on en parlait ?

Sujet de stage

Un agent IA, sur une plateforme souveraine, au service de nos données internes (octopod)

Déployer un agent analytics open source sur les données OCTOPOD, et documenter tout le travail d'ingénieurie et de curation qu'il faut réaliser pour que l'agent réponde juste

Le WHY

La fiabilité d'un agent analytique tient au contexte qu'on lui fournit, pas au modèle. Ce stage vise à le démontrer en déployant un agent open source (NAO) sur nos données internes, et à capitaliser en retour d'expérience la curation de contexte nécessaire.

Les missions

• Identifier, avec des octos ciblés (business developer, lead staffing, etc..), les cas d'usage prioritaires et construire une base de questions / réponses vérifiées servant de référence pour mesurer la performance
• Déployer l'agent NAO sur la sandbox de données OCTOPOD, puis itérer sur la curation de contexte (métadonnées, docs, définitions, documents de processus, pages confluence) pour faire progresser ses réponses, mesure à l'appui
• Capitaliser le retour d'expérience de cette curation et le transformer en article de blog Octo
• Modalités de déploiement en production

Le déroulement du stage

• Étape 1 - Découverte & cadrage (≈3 semaines) : prise en main de NAO et de la sandbox OCTOPOD (réplication fournie par la DSI), immersion dans l'état de l'art (REX OpenAI, Anthropic, context engineering), premiers échanges avec les utilisateurs finaux (octos ciblés)
• Étape 2 - Cas d'usage & base de référence (≈4 semaines) : déterminer avec les utilisateurs les questions cibles, construire la base de questions / réponses vérifiées et le protocole de mesure (critère de justesse des réponses)
• Étape 3 - Curation & itérations (≈10 semaines) : faire tourner l'agent, identifier ses erreurs, enrichir le contexte pas à pas et le harness, et mesurer à chaque itération le gain de performance
• Étape 4 - Capitalisation (≈3 semaines) : formaliser le REX (ce qu'il a fallu expliciter, pourquoi, et avec quel impact) et préparer un démonstrateur
• Étape 5 - Partage : restitution à la tribu Analytics & Agentic Platforms, article de blog Octo, et présentation des résultats (meetup / BBL)
• Étape 6 - Si l'expérimenation est un succès et que le "besoin métier" est prouvé : réfléchir aux modalités de mise en production de l'agent

En formation Bac+5 (école d'ingénieur ou université), spécialité data engineering, data science ou logiciel

À l'aise avec SQL et Python, curieux·se de l'écosystème data moderne (dbt, warehouse, orchestration)

Une première exploration des LLM / agents (via projets perso, cours ou stage) est un vrai plus

Aime formaliser et structurer autant que prototyper

Goût pour l'échange avec les utilisateurs finaux

Autonome, curieux·se, à l'aise pour présenter ses idées, pro-actif

Premier cabinet d’architectes IT fondé en 1998, pionnier du delivery agile et véritable concentrateur de talents. Nous incarnons les nouvelles façons de faire du conseil et du Delivery. Digital Doers & Thinkers est notre marque de fabrique. Nous privilégi... (truncated due to input length)