Architecte d'Entreprise Data & AI - GenAI, Microsoft Fabric, Knowledge Graph - Freelance

Descriptif détaillé du besoin

Dans le cadre d'un programme stratégique de transformation Data & Intelligence Artificielle, nous recherchons un Architecte d'Entreprise Data & AI senior pour accompagner une grande organisation internationale dans la conception et la mise en œuvre de son architecture Data & IA.

La mission s'inscrit au sein d'une équipe Tech Innovation, chargée d'explorer, prototyper et industrialiser des solutions technologiques innovantes répondant à des enjeux métiers concrets.

L'enjeu principal : concevoir un socle Data & IA robuste, réutilisable et sécurisé, permettant aux applications d'IA générative et aux agents intelligents d'accéder aux données de l'entreprise, de les comprendre et de les exploiter efficacement.

Nous recherchons un architecte disposant d'une expertise approfondie des environnements Data modernes (notamment Microsoft Fabric), des architectures IA et des approches sémantiques (Knowledge Graphs, ontologies) , capable de définir une vision cible tout en participant concrètement à sa mise en œuvre.

Missions principales

1. Définition de l'architecture Data & AI

• Concevoir l'architecture cible Data & IA et définir une trajectoire d'implémentation adaptée à l'écosystème existant.

• Architecturer des capacités mutualisées permettant la découverte, l'accès, la préparation, l'intégration et la contextualisation des données pour les applications et agents IA.

• Définir les principes d'intégration entre les plateformes Data (Microsoft Fabric, Azure, Databricks…), les services IA, les APIs et les différentes sources de données.

• Garantir la cohérence, la scalabilité, la sécurité et la réutilisabilité des solutions proposées.

2. Expertise Data Platforms & intégration des sources de données

• Analyser les différentes sources de données de l'entreprise (structurées, semi-structurées et non structurées) et leurs modalités d'exposition aux systèmes IA.

• Concevoir les architectures d'accès, de fédération, d'intégration et de préparation des données, notamment dans des environnements Microsoft Fabric et Azure .

• Définir les stratégies de gestion des métadonnées, catalogues, modèles sémantiques, qualité des données et Data Lineage.

• Arbitrer entre différentes approches : accès direct aux données, APIs, pipelines, recherche documentaire ou outils accessibles aux agents via MCP.

3. Knowledge Graphs, ontologies & contextualisation sémantique

Un axe particulièrement important de la mission.

• Concevoir des approches de représentation et de contextualisation des connaissances métiers s'appuyant sur les Knowledge Graphs (KG), les ontologies et les modèles sémantiques .

• Structurer les relations entre les entités métiers, les sources de données, les référentiels et les règles de gestion.

• Évaluer l'apport des graphes de connaissances et des ontologies pour améliorer la compréhension, la recherche et l'exploitation des données par les systèmes IA.

• Définir les mécanismes permettant aux agents IA d'exploiter un contexte métier fiable, cohérent, gouverné et traçable.

• Étudier les approches associant Knowledge Graphs, recherche sémantique et RAG (GraphRAG notamment).

4. Architecture IA générative & agents intelligents

• Contribuer à la conception d'architectures destinées aux applications GenAI et systèmes multi-agents / agentiques .

• Définir les modalités d'accès aux données et aux outils par les agents IA, notamment à travers les APIs et le Model Context Protocol (MCP) .

• Évaluer les approches RAG, recherche hybride, enrichissement contextuel et orchestration des accès aux connaissances.

• Prendre en compte les enjeux de gouvernance, confidentialité, contrôle des accès, performance, coûts et fiabilité des réponses.

• Accompagner les cas d'usage depuis les POC/MVP jusqu'aux premières phases d'industrialisation.

5. Collaboration transverse & industrialisation

• Collaborer étroitement avec les équipes Data, IA, Architecture d'Entreprise, Cybersécurité et métiers.

• Formaliser les standards, principes et recommandations d'architecture.

• Challenger les choix technologiques et évaluer leur pertinence au regard des besoins réels.

• Accompagner les premiers déploiements et capitaliser sur les retours d'expérience pour faire évoluer l'architecture cible.

• Assurer une veille active sur les architectures Data & IA, les Knowledge Graphs et les technologies d'IA agentique.