Stage Data Scientist IA - LLM & Agentic RAG

À propos de ChapsVision

En quelques années, ChapsVision s’est imposé comme un acteur européen de référence du Big Data et de l’Intelligence Artificielle.

Notre ambition : permettre aux entreprises et aux organisations publiques d’exploiter leurs données de manière souveraine, sécurisée et intelligente.

Depuis 2019 :

• +380 M€ levés auprès de Bpifrance

• 29+ acquisitions

• ~1 200 collaborateurs.rices

• +1 000 clients grands comptes

• Présence internationale : Canada, États-Unis, Maroc, Belgique, Japon, Allemagne, Espagne…

• Membre du French Tech Next40

Ce que nous construisons :

• Une suite IA dédiée aux entreprises : CRM, Marketing Automation, Commerce Unifié, Analytics • Des solutions souveraines pour les acteurs stratégiques publics : défense, renseignement, cybersécurité

Le tout s’appuie sur ArgonOS, notre plateforme de traitement massif de données, renforcée par les technologies RAG de Sinequa.

Contexte

Au sein de notre équipe AI Research , vous participerez à des travaux de recherche appliquée autour des LLM , du Retrieval-Augmented Generation (RAG) et des architectures agentiques.

L'objectif du stage est de développer de nouvelles approches permettant aux modèles de langage d'interagir plus efficacement avec des bases documentaires, des bases SQL, des bases vectorielles ou des graphes de connaissances afin d'améliorer la qualité des réponses générées.

Missions

• Étudier les approches Agentic RAG et les mécanismes modernes d'accès à la connaissance.

• Développer un moteur Natural Language to Query Language (NL-to-?QL) permettant de transformer des requêtes en langage naturel vers différents langages de requête (SQL, GraphQL, ESQL...).

• Concevoir des outils exploitables directement par des agents IA.

• Expérimenter différentes stratégies d'accès aux connaissances externes.

• Réaliser des benchmarks des différentes approches sur des cas d'usage réels.

• Participer aux travaux de recherche et aux expérimentations autour des architectures LLM.

Environnement technique

• Python

• LLM

• Agentic RAG

• LangChain / frameworks agentiques

• SQL

• Elasticsearch (ESQL)

• GraphQL

• Bases vectorielles

• Git

• Linux

Profil recherché

Formation

• Bac+4 à Bac+5 en Informatique, Intelligence Artificielle, Data Science, NLP ou Génie Logiciel.

Hard Skills

• Très bonnes connaissances en Python.

• Solides bases en Machine Learning et IA générative.

• Bonne compréhension des LLM et du Retrieval-Augmented Generation.

• Intérêt pour les bases de données, les moteurs de recherche et les architectures distribuées.

• Curiosité pour la recherche scientifique.

Soft Skills

• Curiosité scientifique.

• Esprit d'analyse.

• Autonomie.

• Goût pour l'expérimentation.

• Capacité à travailler en équipe.

Langues

• Français courant.

• Anglais technique indispensable.

Avantages

- Carte Swile : 11€ / jour travaillé pris en charge à 60%

- Télétravail jusqu’à 3 jours / semaine

- Transport en commun pris en charge à 50%

- Forfait mobilité durable jusqu’à 400€ / an

- CSE comprenant :

• Wellpass

• Legal Care Ekie

• HelloCSE avec cagnotte semestrielle

Diversité & Inclusion

ChapsVision s'inscrit dans une démarche d'inclusion et s'engage à étudier toutes les candidatures aux regards des compétences et qualifications de chacun.

Dans un souci de clarté, l’écriture inclusive n’est pas utilisée dans cette annonce. Les termes employés se réfèrent aussi bien au genre féminin que masculin.

Bibliographie :

1. Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG — Singh, A.,

Ehtesham, A., Kumar, S., Khoei, T. T. (2025). arXiv:2501.09136.

2. A Survey of NL2SQL with Large Language Models: Where are we, and where

are we going? — Liu, X., Shen, S., Li, B., et al. (2024). arXiv:2408.05109.

3. DTS-SQL: Decomposed Text-to-SQL with Small Large Language Models —

Pourreza, M., Rafiei, D. (2024). Findings of EMNLP 2024 / arXiv:2402.01117.

4. Externalization in LLM Agents: A Unified Review of Memory, Skills, Protocols

and Harness Engineering — Zhou, C., Chai, H., Chen, W., et al. (2026).

arXiv:2604.08224.

5. Natural Language Tools: A Natural Language Approach to Tool Calling in Large

Language Models — (2025). arXiv:2510.14453.