Mémoire de Master : Explorer des schémas de mémoire avancés pour améliorer les applications agentiques des LLM

Description
La génération actuelle d'agents déployés dans une entreprise repose rarement sur une mémoire structurée des interactions précédentes. Cependant, à mesure que les agents deviennent courants, il deviendra plus important de s'assurer qu'ils prennent en compte les préférences des utilisateurs de manière dynamique.

Cela est particulièrement vrai dans le contexte d'un agent de routage central, afin de s'assurer que le contexte de l'utilisateur est pris en considération pour mieux le servir.

Cependant, cela soulève plusieurs défis intéressants qui devront être étudiés dans ce projet.

Par exemple, la mémoire peut-elle s'adapter à un contexte changeant ? Un utilisateur qui a commencé un nouveau poste n'a plus les mêmes centres d'intérêt. Ou simplement, si un utilisateur souhaite désormais des réponses plus détaillées alors qu'il préférait auparavant des réponses concises avec des liens simples.

Stocker ces informations pour une entreprise soulèverait également des questions de confidentialité, et une configuration locale devra être utilisée. Il sera important de permettre aux utilisateurs d'accéder aux mémoires stockées et d'en avoir le contrôle total.

Pour explorer ce thème, nous nous concentrerons sur une architecture d'agent qui gérera centralement la mémoire, et s'appuiera sur des agents secondaires effectuant du RAG sur des parties spécifiques de la base de connaissances d'ELCA.

Elle bénéficiera du travail actuellement réalisé chez ELCA sur le développement d'une infrastructure multi-agent avec découverte automatique.

L'objectif serait de démontrer la valeur pratique de cette approche et de confirmer que le rapport coût-bénéfice justifie son utilisation dans des applications commerciales réelles.

Ce stage offre un terrain riche pour une expérience pratique, notamment dans un domaine de recherche visant à étendre le champ opérationnel de l'IA conversationnelle en exploitant des données propriétaires et le domaine encore peu exploré de la mémoire dans les LLM multi-agents. C'est à la fois une opportunité éducative et de développement professionnel dans un paysage technologique en rapide évolution.

Objectifs

• Explorer et déployer des cadres de mémoire pour LLM (par exemple Mem0) et créer un programme autour pour le rendre utile dans un contexte commercial.
• Livrer une application de preuve de concept capable de tirer parti de cette approche agentique basée sur la mémoire, et évaluer son utilité.
• Développer une expérience pratique réelle sur les chatbots actuellement utilisés

Notre offre

• Un environnement de travail dynamique et collaboratif avec une équipe multiculturelle et internationale très motivée
• La chance de faire une différence dans la vie des gens en construisant des solutions innovantes
• Divers événements internes de codage (Hackathon, Brownbags), voir notre blog technique
• After-Works mensuels organisés par site

Compétences requises

• Expérience avec les principes de Machine Learning et de NLP, familiarité avec les LLM.
• Expérience avec Python (Pandas, PyTorch, …) et les principes d'ingénierie logicielle.
• Des compétences en développement web sont appréciées (React, Streamlit, …).
• Excellentes compétences en communication en français et en anglais, capable d'exprimer clairement des idées complexes à l'écrit comme à l'oral.
   

Ce stage commence en février 2026. 

Les candidatures doivent inclure vos relevés de notes académiques les plus récents ; les candidatures sans relevés ne seront pas prises en compte.