Stage (6 mois) - AI/ML Engineer — Optimisation RAG & Données de Santé (SNDS) H/F

Le ou la stagiaire rejoindra le pôle Data de la Plateforme des Données de Santé (PDS), constitué d’une quinzaine d’experts, data scientists et data engineers. Le pôle Data déploie une expertise de haute qualité pour accompagner l’écosystème dans l’accès, la compréhension et l’utilisation des données de santé (notamment la base principale du SNDS et l’EDS de la PDS). Il est également chargé du développement de produits data innovants.

Le ou la stagiaire sera pleinement intégré(e) au développement du projet “Assistant SNDS”. Ce projet vise à concevoir, développer et mettre en production un agent conversationnel doté d’une base documentaire contrôlée. Son but est de fournir aux utilisateurs de la base principale du SNDS des réponses rapides, fiables et sourcées, afin d’améliorer l’expérience utilisateur et de réduire le temps consacré par les experts internes au traitement manuel des questions sur notre forum d’entraide.

Descriptif de la mission

Vous serez amené(e) à travailler sur l’optimisation du pipeline documentaire, de l’indexation et de la recherche du système RAG au cœur de l’Assistant SNDS. Vous optimiserez la chaîne d’ingestion, de structuration et de mise à disposition des connaissances utilisées par le système. 

Dans ce cadre, vos travaux pourront entre autres porter sur les leviers suivants :

• L’amélioration ponctuelle de la collecte, de l’extraction et du nettoyage des documents de référence (documentation officielle, forum entraide, schéma SNDS, etc.)

• L’étude de différentes stratégies de segmentation des documents et l’amélioration des métadonnées.

• La comparaison de différents modèles et stratégies d’embeddings, ainsi que l’étude de diverses méthodes de représentation et d’indexation.

• L’optimisation des paramètres de recherche vectorielle et l’optimisation du reranking.

• L’analyse des compromis entre qualité de la recherche (retrieval), latence et coût.

Votre objectif sera de quantifier expérimentalement quels ajustements sur le pipeline d’ingestion et la méthode de retrieval permettent d’apporter un gain de performance significatif.