Stage - Ingénieur IA Machine Learning NLP

Le stage se déroulera au sein de l’équipe R&D de NETVIBES, responsable du développement de Text Intelligence Studio, notre plateforme avancée d’analyse sémantique. Cette solution combine approches symboliques, techniques de Machine Learning et Large Language Models (LLM) pour extraire de la valeur à partir de données textuelles multilingues.
L’équipe est composée de spécialistes passionnés d’IA et de NLP, avec une expertise reconnue depuis de nombreuses années dans le traitement du langage naturel.

Vos Missions

Vous travaillerez sur des problématiques concrètes à partir de documents techniques, avec un accès direct à une infrastructure AI haute performance (GPU NVIDIA type H100, stack de serving de modèles).
Vous allez étudier et optimiser des approches de deep learning pour des taches NLP comme extraction de donnée structurée à partir d'un document, ou de la NER, avec un focus sur l’équilibre entre qualité du modèle (précision, robustesse) et performance opérationnelle (coût, latence, consommation mémoire, throughput).
Le cas d’usage central est l’extraction de données structurées à partir de documents PDF techniques (documents longs, structurés en sections, contenant des tableaux).
Le stage vise à :
•    Étudier et évaluer des architectures et stratégies d’optimisation adaptées aux tâches NLP (fine-tuning, distillation, modèles spécialisés, prompting avancé, RAG, etc.), suppose - génération de données synthétiques pour construire les jeux d’entraînement
•    Optimiser le compromis qualité / coût / performance en comparant différentes approches et en mesurant leur impact sur des métriques concrètes
•    Proposer des recommandations industrialisables pour réduire le coût d’extraction sans dégrader (voire en améliorant) la qualité
•    La spécialisation de modèles (fine-tuning, distillation, adaptation de domaine)

Au cours de ce stage, vous serez amené(e) à :
•    Concevoir et évaluer des expériences : définir des protocoles de test, mesurer la qualité (précision, rappel, F1) et la performance (latence, coût GPU, throughput)
•    Générer et annoter des datasets synthétiques : utiliser des LLM pour produire des exemples d’entraînement réalistes, valider leur qualité, itérer sur les prompts et les stratégies de génération
•    Spécialiser des modèles de langage : fine-tuner des modèles open-weight (Llama, Mistral, etc.) sur des tâches NLP (i.e. extraction d’entités)
•    Benchmarker des approches d’optimisation : comparer prompting vs fine-tuning vs modèles spécialisés, évaluer l’impact de la quantification, du KV-cache, du batching, et du serving optimisé (vLLM, SGLang, etc.)
•    Documenter et industrialiser : versionner les expériences (MLflow, Git), containeriser les pipelines (Docker/Podman), et produire une documentation technique claire