Stage ingénieur intelligence artificielle h/f

CONTEXTE DU PROJET Dans une démarche d'amélioration continue et d'innovation, ACESI souhaite concevoir un système basé sur l'intelligence artificielle capable d'unifier ces bases de connaissances afin d'en faciliter l'accès et l'exploitation au quotidien. L'enjeu est de passer d'une recherche manuelle d'information à un système d'aide à la décision capable d'exploiter en autonomie les bases de connaissance pour recommander des actions concrètes aux collaborateurs d'ACESI. OBJECTIF DU STAGE L'objectif est de concevoir, développer et expérimenter un prototype de Chatbot intelligent reposant sur les architectures récentes d'IA générative (LLM, RAG, MCP). Le projet devra valider la capacité du système à répondre à des questions complexes en combinant des données documentaires statiques et des données métiers dynamiques. MISSIONS Sous l'encadrement d'un chercheur spécialisé en IA appliquée à l'industrie, vous participerez activement au cycle de vie d'un projet d'IA générative. Vos missions s'articuleront autour de 4 axes majeurs : 1. Ingénierie des données et analyse du patrimoine : Votre mission débute par la cartographie du patrimoine informationnel (données structurées et non structurées) afin d'identifier les sources de connaissances clés. Vous concevrez et déploierez les pipelines d'extraction automatisés nécessaires à la préparation et à l'exploitation de ces données. 2. Implémentation d'une architecture RAG (Retrieval-Augmented Generation) : Vous mettrez en oeuvre une chaîne de traitement IA complète, incluant l'ingestion, le chunking, l'embedding et l'indexation en base de données vectorielle. Vous validerez la pertinence de cette indexation par une phase de tests et de questionnement de la base via un LLM distant (SaaS). 3. Développement de solutions temps réel via MCP (Model Context Protocol) : Afin d'enrichir le système, vous modéliserez et développerez des serveurs MCP connectant le LLM aux outils internes (notamment le ticketing ITSM). L'objectif est de tester et valider l'interrogation dynamique via un LLM distant pour obtenir un contexte "à chaud" (incidents en cours) sans passer par l'indexation fixe. 4. Prototypage, Benchmarking et Pilotage : En phase finale, vous réaliserez une étude comparative pour sélectionner le LLM et le mode de déploiement (local vs distant) optimal. Vous orchestrerez l'intégration finale (LLM RAG MCP) au sein d'une interface d'aide à la décision. Enfin, vous évaluerez la performance sur le périmètre pilote ITSM et proposerez une stratégie de généralisation aux pôles Cybersécurité et Consulting 684