STAGE : Développement d'un module d'extraction de données textuelles H/F
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 : 1. 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
2. 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).
3. Intégration avec Elasticsearch :. Valider la cohérence des indexations et tester les requêtes de recherche et de similarité textuelle.
Profil recherché: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, Paddle
OCR) 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.