Consultant Data Vision-Langage & Extraction de Connaissance

• Extraire du texte depuis des fichiers PDF, Word, HTML via des librairies adaptées
• Nettoyer et normaliser les contenus (suppression de bruit, OCR si nécessaire)
• Segmenter les textes en unités de connaissance structurées (sections, blocs)
• Enrichir les unités avec des métadonnées (source, date, thème, typologie)
• Concevoir un format pivot standardisé (Markdown enrichi ou JSON)
• Documenter le format et les choix de structuration
• Collaborer avec l'équipe KM pour affiner les modèles de structuration
• Mettre en place un pipeline automatisé et réutilisable pour traiter de nouveaux documents

• Maîtrise des outils et librairies d'extraction de texte (PDFMiner, Apache Tika, BeautifulSoup, etc.)
• Expérience en traitement de documents non structurés et en nettoyage de données textuelles
• Connaissance des techniques d'OCR (Tesseract ou équivalent)
• Compréhension des modèles Vision-Langage (VLM) et de leur application à la structuration de contenu
• Capacité à concevoir des formats de données structurés (JSON, Markdown enrichi)
• Bonnes compétences en scripting (Python, etc.) pour automatiser les traitements
• Expérience significative en Knowledge Management, Data Engineering, ou Traitement Automatique du Langage (TAL)
• Autonomie, rigueur, et capacité à documenter clairement les choix techniques
• Bon relationnel pour collaborer avec des équipes pluridisciplinaires

Connaissance de Domino Data Lab appréciée