Développeur Python IA & Connectivité SharePoint

Contexte

Entreprise du secteur bancaire, développement d’un chatbot IA centralisé à l’échelle de la banque, intégrant SharePoint comme source de données principale. Projet impliquant une équipe technique spécialisée en IA, connectivité SharePoint et qualité logicielle.

Missions

• Concevoir et développer un chatbot IA centralisé intégrant SharePoint comme source de données principale

• Garantir la qualité, la fiabilité et la couverture de tests du chatbot via une stratégie QA rigoureuse

Développement Python / Go / IA

• Concevoir l'architecture du chatbot (orchestration, RAG, gestion du contexte, multi-turn)

• Développer les composants IA : ingestion, embedding, retrieval, génération (LLM on-premise ou API)

• Intégrer les modèles LLM avec les sources de connaissance SharePoint

• Optimiser les performances (latence, throughput, qualité des réponses)

• Gestion des prompts, templates, et évaluation des réponses (prompt engineering)

• Développement d'outils et services en Go (performance-critical, sidecar utilities)

Connectivité SharePoint

• Intégration avec SharePoint Online / On-Premise via API Graph ou SharePoint REST API

• Authentification : OAuth2, Azure AD, certificats app-only, managed identities

• Crawling et indexation des documents, pages, listes, et bibliothèques SharePoint

• Gestion des permissions et de la sécurité au niveau des sites/documents (respect des ACLs dans le retrieval)

• Synchronisation et rafraîchissement incrémental du contenu SharePoint

• Gestion des métadonnées, types de contenu, et structures de sites complexes (multi-sites, multi-tenants)

• Gestion des quotas API Graph (throttling, retry, pagination)

QA / Testing — Focus Principal

• Concevoir et implémenter la stratégie de test end-to-end du chatbot

• Tests unitaires (pytest, Go testing) — couverture des composants IA, connecteurs SharePoint, orchestration

• Tests d'intégration : SharePoint API mocking, vector store, LLM endpoints

• Tests de contrat API (schema validation, Pydantic AI schema enforcement)

• Tests de non-régression sur les réponses IA :

  • Golden datasets et évaluation automatique des réponses

  • Scoring de qualité (relevance, faithfulness, hallucination detection)

  • A/B testing des prompts et des versions de modèles

• Tests de charge et de performance (locust / k6) — simulation multi-utilisateurs concurrents

• Tests de sécurité :

  • Injection de prompts (prompt injection, jailbreak)

  • Fuite de données (data exfiltration, cross-tenant leakage)

  • Accès non autorisés (bypass d'ACLs SharePoint)

• Tests de robustesse LLM : edge cases, context overflow, model fallback, timeout handling

• Observabilité de la qualité via Langfuse :

  • Tracing des chaînes RAG (retrieval → génération → réponse)

  • Évaluation continue des réponses en production (drift detection, feedback loops)

  • Dashboards de qualité (latence, token usage, user satisfaction, error rates)

  • Alerting sur dégradation de qualité

• Mise en place de pipelines CI/CD avec gates de qualité (tests, linting, évaluation IA)

• Gestion des environnements de test (dev / staging / prod) avec données représentatives

Architecture & Intégration

• Concevoir le pipeline de données : SharePoint → extraction → chunking → embedding → vector store

• Exposer le chatbot via API REST (FastAPI) et interface utilisateur

• Intégration avec les systèmes internes (SSO, logging, audit, monitoring)

• Gestion multi-langues (FR/EN)

Stack technique

• Langages : Python 3.11+, Go

• IA / LLM : Pydantic AI, LangChain / LlamaIndex, vLLM, Hugging Face, OpenAI-compatible APIs

• Observabilité IA / QA : Langfuse (tracing, évaluation, monitoring)

• Vector Store : Milvus / Qdrant / pgvector

• SharePoint : Microsoft Graph API, SharePoint REST API, MSAL

• API : FastAPI, Pydantic

• Testing : pytest, pytest-asyncio, Go testing, locust, k6

• CI/CD : GitLab CI, Tekton

• Observabilité infra : Prometheus, Grafana, OpenTelemetry

• Conteneurisation : Docker, Kubernetes / OpenShift