Stage - Agentic Data Platform - F/H/N

Sujet de stage Un agent IA, sur une plateforme souveraine, au service de nos données internes (octopod) Sous-titre Déployer un agent analytics open source sur les données OCTOPOD, et documenter tout le travail d'ingénieurie et de curation qu'il faut réaliser pour que l'agent réponde juste Le WHY La fiabilité d'un agent analytique tient au contexte qu'on lui fournit, pas au modèle. Ce stage vise à le démontrer en déployant un agent open source (NAO) sur nos données internes, et à capitaliser en retour d'expérience la curation de contexte nécessaire. Les missions Identifier, avec des octos ciblés (business developer, lead staffing, etc..), les cas d'usage prioritaires et construire une base de questions / réponses vérifiées servant de référence pour mesurer la performance Déployer l'agent NAO sur la sandbox de données OCTOPOD, puis itérer sur la curation de contexte (métadonnées, docs, définitions, documents de processus, pages confluence) pour faire progresser ses réponses, mesure à l'appui Capitaliser le retour d'expérience de cette curation et le transformer en article de blog Octo Modalités de déploiement en production Le déroulement du stage  Étape 1 - Découverte & cadrage (≈3 semaines) : prise en main de NAO et de la sandbox OCTOPOD (réplication fournie par la DSI), immersion dans l'état de l'art (REX OpenAI, Anthropic, context engineering), premiers échanges avec les utilisateurs finaux (octos ciblés) Étape 2 - Cas d'usage & base de référence (≈4 semaines) : déterminer avec les utilisateurs les questions cibles, construire la base de questions / réponses vérifiées et le protocole de mesure (critère de justesse des réponses) Étape 3 - Curation & itérations (≈10 semaines) : faire tourner l'agent, identifier ses erreurs, enrichir le contexte pas à pas et le harness, et mesurer à chaque itération le gain de performance Étape 4 - Capitalisation (≈3 semaines) : formaliser le REX (ce qu'il a fallu expliciter, pourquoi, et avec quel impact) et préparer un démonstrateur Étape 5 - Partage : restitution à la tribu Analytics & Agentic Platforms, article de blog Octo, et présentation des résultats (meetup / BBL) Étape 6 - Si l'expérimenation est un succès et que le "besoin métier" est prouvé : réfléchir aux modalités de mise en production de l'agent En formation Bac+5 (école d'ingénieur ou université), spécialité data engineering, data science ou logiciel À l'aise avec SQL et Python, curieux·se de l'écosystème data moderne (dbt, warehouse, orchestration) Une première exploration des LLM / agents (via projets perso, cours ou stage) est un vrai plus Aime formaliser et structurer autant que prototyper Goût pour l'échange avec les utilisateurs finaux Autonome, curieux·se, à l'aise pour présenter ses idées, pro-actif OCTO Rewards   Et parce que nous savons qu’un job n’est pas “juste” un job, on vous partage aussi quelques petits + qui font notre différence : 7 participations, 7 certifications et surtout 6 podiums…