Expertise LangGraph, Langchain, PyTorch/TensorFlow Les missions sont:
1- Conception et développement d’agents autonomes avec LangGraph :
- Architectur des agents conversationnels ou décisionnels (ex: agents multi-outils, boucles de rétroaction, mémoire contextuelle).
-Intégrtion des modèles de langage (LLMs) via LangGraph pour des tâches complexes (ex: raisonnement multi-étapes, orchestration de workflows).
-Optimisation les stratégies de prompt engineering et les mécanismes de contrôle (ex: function calling, tool use, plan-and-execute).
2- Intégration avec des pipelines ML/MLOps existants :
-Connection des agents LangGraph à des modèles custom (ex: fine-tuned LLMs, modèles de séries temporelles) via APIs ou pipelines.
-Automatisation de versioning des agents et leur déploiement.
3- Ingénierie des données et features pour les agents :
-Construction des pipelines de données pour alimenter les agents
-Développement des mécanismes de mémoire (ex: bases de connaissances dynamiques).
-Optimisation les coûts et la scalabilité (ex: caching des réponses, model distillation pour les edge cases).
4- Tests et robustesse :
-Mise en place des tests automatisés pour les agents (ex: simulations de dialogues, injection de fautes).
-Surveillance les dérives comportementales (ex: hallucinations, boucles infinies) avec LangSmith.
-Documentation des limites et cas d’usage (ex: matrice de risques pour les décisions critiques).
Compétences souhaitées:
Expérience avancée avec LangGraph :
-Maîtrise des composants clés : StateGraph, prebuilt tools, human-in-the-loop, et intégration avec des LLMs.
-Expérience en déploiement d’agents en production.
Python et écosystème IA :
-Bibliothèques : langgraph, langchain, llama-index, pydantic.
-Frameworks ML : PyTorch/TensorFlow (pour customiser des modèles si besoin).
Les missions sont:
1- Conception et développement d’agents autonomes avec LangGraph :
- Architectur des agents conversationnels ou décisionnels (ex: agents multi-outils, boucles de rétroaction, mémoire contextuelle).
-Intégrtion des modèles de langage (LLMs) via LangGraph pour des tâches complexes (ex: raisonnement multi-étapes, orchestration de workflows).
-Optimisation les stratégies de prompt engineering et les mécanismes de contrôle (ex: function calling, tool use, plan-and-execute).
2- Intégration avec des pipelines ML/MLOps existants :
-Connection des agents LangGraph à des modèles custom (ex: fine-tuned LLMs, modèles de séries temporelles) via APIs ou pipelines.
-Automatisation de versioning des agents et leur déploiement.
3- Ingénierie des données et features pour les agents :
-Construction des pipelines de données pour alimenter les agents
-Développement des mécanismes de mémoire (ex: bases de connaissances dynamiques).
-Optimisation les coûts et la scalabilité (ex: caching des réponses, model distillation pour les edge cases).
4- Tests et robustesse :
-Mise en place des tests automatisés pour les agents (ex: simulations de dialogues, injection de fautes).
-Surveillance les dérives comportementales (ex: hallucinations, boucles infinies) avec LangSmith.
-Documentation des limites et cas d’usage (ex: matrice de risques pour les décisions critiques).
Compétences souhaitées:
Expérience avancée avec LangGraph :
-Maîtrise des composants clés : StateGraph, prebuilt tools, human-in-the-loop, et intégration avec des LLMs.
-Expérience en déploiement d’agents en production.
Python et écosystème IA :
-Bibliothèques : langgraph, langchain, llama-index, pydantic.
-Frameworks ML : PyTorch/TensorFlow (pour customiser des modèles si besoin).