Data Scientist — Traitement et normalisation de corpus juridiques français (H/F)

Contexte Nous recherchons un(e) Data Scientist ayant une double compétence en science des données et en droit français pour rejoindre une équipe technique en pleine croissance (déjà composée de trois développeurs, dont deux spécialisés en intelligence artificielle). Vous interviendrez sur un projet stratégique de structuration, de nettoyage et de valorisation d'un corpus documentaire juridique volumineux et hétérogène , dans une logique de haute qualité de données au service d'applications d'IA avancées (traitement du langage naturel, recherche sémantique, extraction d'information). Vous serez le/la référent(e) « qualité de la donnée juridique » au sein de l'équipe. Missions principales 1. Préparation et nettoyage des données juridiques Analyser des corpus documentaires hétérogènes (contrats, courriers, actes, conclusions, décisions, notes internes, correspondances, pièces annexes…) en formats variés (PDF natif, PDF scanné, DOCX, e-mails, exports applicatifs). Concevoir et industrialiser des pipelines d'extraction et de nettoyage (OCR, dé-bruitage, dédoublonnage, détection de doublons quasi-identiques, gestion des versions). Identifier et corriger les anomalies : encodages, artefacts d'OCR, en-têtes/pieds de page, tableaux, signatures, annotations manuscrites. 2. Normalisation et structuration Définir et appliquer des schémas de normalisation adaptés aux typologies documentaires juridiques (métadonnées, hiérarchie, versions, dates de vigueur, parties, références croisées). Mettre en place des taxonomies et référentiels métier (matières du droit, types d'actes, juridictions, statuts procéduraux). Assurer l'anonymisation / pseudonymisation conforme au RGPD des données à caractère personnel. 3. Extraction d'information et annotation Concevoir des modèles / règles d'extraction d'entités juridiques (parties, dates clés, montants, articles cités, juridictions, références légales et jurisprudentielles). Piloter les campagnes d'annotation (guidelines, contrôle qualité inter-annotateurs) et constituer des jeux de données d'évaluation. 4. Qualité et évaluation Définir les KPIs de qualité de la donnée (couverture, précision d'extraction, taux d'erreurs OCR, cohérence des métadonnées). Produire des tableaux de bord de suivi et des rapports d'audit qualité. Concevoir des jeux de tests représentatifs pour évaluer la pertinence des traitements en aval. 5. Collaboration avec l'équipe technique Travailler main dans la main avec les développeurs IA sur les besoins amont : format des chunks, granularité, enrichissement des métadonnées, stratégies d'indexation. Documenter les traitements, les schémas de données et les choix méthodologiques. Contribuer à la veille scientifique (NLP juridique, LegalTech, standards documentaires).