Data Engineer Senior - NLP / données non structurées

Data Engineer Senior - NLP / données non structurées (freelance ; 6 mois minimum)

Nous recrutons un(e) Data Engineer senior pour un projet à forte portée : digitaliser le droit au Maroc et en Afrique et créer la première base de connaissance juridique interrogeable par l’IA.

Notre ambition est de construire une plateforme capable de répondre à des questions juridiques de façon fiable, sourcée et traçable, en s’appuyant sur un corpus massif de documents juridiques hétérogènes.

🚀 Pourquoi ce projet est différent

Vous rejoignez une mission “infrastructure de connaissance” :

• contribuer à rendre le droit plus accessible

• bâtir un actif durable : une base structurée du droit marocain (français), extensible à l’Afrique

• travailler sur un défi technique concret et profond : transformer du non-structuré en une donnée exploitable, fiable et maintenable à grande échelle

🎯 Votre mission

Vous serez responsable de la chaîne “documents → données structurées” qui alimentera notre moteur IA (RAG).

Au cœur du poste (intérêt technique)

Constituer une base de données structurée du droit marocain en français à partir de données très hétérogènes :

• PDF (texte et scannés), Word, images, fichiers texte, parfois bruités ou incomplets

• extraction de texte (parsing + OCR si nécessaire), nettoyage

• structuration : détection titres/chapitres/sections/articles, hiérarchie, normalisation

• chunking intelligent (par structure juridique plutôt que par taille arbitraire), avec traçabilité (source, page, identifiants)

• métadonnées : date, type de texte (loi/décret/circulaire/jurisprudence…), source, version, numéros d’articles, etc.

• déduplication & versioning : documents redondants, amendements, versions consolidées

• industrialisation : orchestration, logs, retries, idempotence, monitoring, tests qualité

✅ Profil recherché

• 3+ ans d’expérience en Data Engineering et/ou Document AI / NLP appliqué

• Très bonne maîtrise de Python

• Expérience réelle avec documents non structurés : parsing PDF, OCR, nettoyage, structuration

• Habitude de livrer en production : pipelines robustes, observabilité, qualité, performance

Stack / compétences (indicatif)

• Stockage : AWS

• Traitement documents : outils OCR/parsing, pipelines de prétraitement texte

• Tests & qualité : métriques, échantillonnage, validation automatique

⭐ Bonus (appréciés)

• Expérience sur corpus juridiques / réglementaires / contenus à forte exigence de précision

• Familiarité avec les problématiques multilingues (FR/AR) et encodage

• Connaissances de base sur les besoins en aval (vector DB, retrieval, citation)

🧪 Process de sélection

• Test en ligne (20 min)

• Entretien technique (60 min)

📍 Localisation

• Poste basé à Casablanca

• Remote possible (au Maroc ou à l’étranger) selon profil et niveau d’autonomie