STAGE - Ingénieur.e R&D en Intelligence Artificielle (LLM, Deep Learning) (F/H)

Afin de maintenir le caractère innovant des solutions du département IA de DELMIA Generative Experiences, l'équipe recherche actuellement un(e) stagiaire Ingénieur R&D en Intelligence Artificielle (LLM, Deep Learning). Vous rejoignez, dans une ambiance joyeuse et créative, une équipe de développeurs et de chercheurs qui conçoit les briques technologiques des solutions pour l'industrie 4.0, et vous expérimentez les dernières avancées en IA.

L'intégration des modèles de langage dans les workflows industriels pose une question récurrente : faut-il s'appuyer sur de grands modèles généralistes (LLMs), spécialiser de plus petits modèles (SLMs) par fine-tuning, ou augmenter un modèle existant par RAG ? Chaque option offre un compromis différent entre coût, performance, déployabilité et maîtrise des données.

Pendant 6 mois, vous évaluez ces approches de façon empirique et rigoureuse sur des tâches propres au domaine manufacturier de DELMIA (planification de process, génération d'instructions de travail, exploitation de nomenclatures et de connaissances métier). Une question centrale : des SLMs spécialisés, plus légers et déployables on-premise, peuvent-ils rivaliser avec de grands modèles généralistes sur des tâches ciblées ?

Vos missions

Vous êtes pleinement intégré(e) à l'équipe R&D et pilotez l'ensemble de la démarche expérimentale, en autonomie encadrée. Concrètement :

• Curation de données : vous constituez, nettoyez et structurez un corpus représentatif de données industrielles (documents de process, nomenclatures, instructions de travail, données CAO/PLM), et définissez les formats d'entraînement et d'évaluation adaptés à chaque tâche.
• Construction du pipeline RAG : vous mettez en place une baseline RAG solide (indexation, retrieval, éventuellement reranking), qui sert de référence face aux approches par fine-tuning.
• Expérimentation de fine-tuning : vous conduisez des campagnes de fine-tuning de LLMs et de SLMs avec des techniques efficientes en paramètres (LoRA / QLoRA), en explorant les hyperparamètres, la taille des modèles et le volume de données nécessaire pour atteindre un niveau de performance cible.
• Benchmark comparatif : vous concevez et exécutez une évaluation head-to-head rigoureuse des différentes approches (LLM généraliste, SLM fine-tuné, RAG, combinaisons hybrides), sur des métriques couvrant la qualité, le coût d'inférence, la latence et la déployabilité.
• Synthèse et recommandations : vous formalisez un cadre de décision documenté, qui permet de choisir la bonne approche selon le type de tâche, les contraintes de déploiement et les enjeux de confidentialité des données.