PwC
PwC en Tunisie propose ce sujet de PFE au sein de sa ligne de services Technology (Business Unit Technology Consulting), sous la référence ADV001/27.
Description du sujet : L’adoption massive de l’Intelligence Artificielle Générative et des grands modèles de langage (LLM) transforme profondément les usages en entreprise : assistants conversationnels, automatisation documentaire, aide à la décision, génération de code, etc. Cependant, cette adoption rapide s’accompagne de risques majeurs encore mal maîtrisés : fuite de données confidentielles, nonconformité réglementaire (RGPD, AI Act), hallucinations, biais, attaques par injection de prompt, coûts incontrôlés et usage non éthique. Face à ces enjeux, les organisations ont besoin de mettre en place une gouvernance structurée de l’IA, c’est-à-dire un ensemble de mécanismes de contrôle, de sécurité, de traçabilité et de supervision garantissant un usage responsable, sécurisé et conforme des LLM. Ce projet de fin d’études vise à concevoir et développer une plateforme de gouvernance des LLM jouant le rôle de couche intermédiaire (AI Gateway/proxy) entre les utilisateurs de l’entreprise et les modèles d’IA. Cette solution centralisera et sécurisera l’ensemble des interactions avec les LLM en intégrant : - des garde-fous (guardrails) filtrant les entrées et sorties (détection de données sensibles/PII, modération de contenu, blocage des tentatives de détournement) ; - un module d’observabilité et de monitoring assurant la traçabilité des échanges, le suivi des coûts et la détection d’anomalies (hallucinations, comportements à risque) ; - une gestion des politiques d’usage et des accès, alignée sur les référentiels de conformité (AI Act, NIST AI RMF, ISO/IEC 42001) ; - des tableaux de bord de conformité et de supervision à destination des équipes de gouvernance et de sécurité. Le stagiaire sera également amené à valider la robustesse de la solution par des techniques de red teaming (simulation d’attaques adverses) afin de garantir la fiabilité des garde-fous mis en place. À l’issue du stage, l’étudiant(e) aura conçu une brique technologique stratégique répondant à un besoin fort et actuel du marché, à la croisée de l’IA générative, de la cybersécurité et de la conformité réglementaire.
Objectifs du stage : - Concevoir et déployer un cadre (framework) et une plateforme technique de gouvernance des grands modèles de langage (LLM) au sein de l’entreprise. - Face à l’adoption massive de l’IA générative, les organisations doivent maîtriser les risques liés à la sécurité, la confidentialité, la conformité (RGPD, AI Act), les coûts, les biais et les hallucinations. L’objectif est de fournir une couche de contrôle, de traçabilité et de supervision (guardrails, monitoring, audit) garantissant un usage responsable, sécurisé et conforme des LLM.
Profil recherché : - Technologies : Langage principal : Python ; Frameworks LLM et orchestration : LangChain / LlamaIndex ; Guardrails et sécurité LLM : Guardrails AI, LLM Guard, NeMo Guardrails ; Détection et anonymisation PII : Microsoft Presidio, spaCy (NER) ; Red teaming et tests de robustesse : Garak, PyRIT, Giskard, promptfoo ; AI Gateway/Proxy LLM : LiteLLM, Portkey (ou passerelle custom) ; APIs et microservices : FastAPI, REST, WebSocket ; Observabilité et monitoring LLM : Langfuse, LangSmith ; LLM : OpenAI (GPT-4o), Anthropic (Claude), modèles open source (Llama, Mistral via Ollama/vLLM) ; Bases de données : PostgreSQL, Redis (cache et logs) ; Conteneurisation et déploiement : Docker, Docker Compose, Kubernetes (optionnel) ; Outils DevOps/MLOps : Git, CI/CD (GitHub Actions) - Connaissances théoriques : Fondamentaux de l’IA générative : principes des grands modèles de langage (LLM), tokenisation, inférence, prompting ; Notions de gouvernance et d’éthique de l’IA : IA responsable, biais, transparence, explicabilité ; Cadres réglementaires et référentiels : RGPD, AI Act européen, NIST AI Risk Management Framework, ISO/IEC 42001 ; Concepts de sécurité applicative : menaces, vulnérabilités, principes de défense en profondeur ; Risques spécifiques aux LLM : prompt injection, jailbreaking, hallucinations, fuite de données, PII ; Notions de confidentialité et protection des données : anonymisation, pseudonymisation, classification des données sensibles ; Principes d’architecture logicielle : API, microservices, proxy/gateway, systèmes distribués ; Concepts d’audit et de traçabilité : logging, monitoring, conformité - Connaissances pratiques : Programmation Python : développement d’applications, manipulation d’APIs ; Développement d’APIs : conception et implémentation avec FastAPI (endpoints, authentification) ; Intégration de LLM : appels d’API (OpenAI, Anthropic…), gestion des prompts et des réponses ; Mise en place de guardrails : filtrage d’entrées/sorties, validation, modération de contenu ; Détection de données sensibles : implémentation de règles regex + modèles NER (Presidio, spaCy) ; Tests et red teaming : simulation d’attaques adverses, évaluation de la robustesse ; Monitoring & logging : instrumentation, tableaux de bord de suivi (coûts, usages, incidents) ; Manipulation de bases de données : requêtes SQL, gestion des logs et métadonnées ; Conteneurisation et déploiement : création d’images Docker, orchestration de services ; Bonnes pratiques de développement : versioning Git, documentation technique, tests
Conditions du stage : - Référence du sujet : ADV001/27 - Nombre de stagiaires : 1 - Candidature : envoyez votre CV à [email] avec en objet « Candidature PFE – Réf sujet(s) | Ligne de Services–Business Unit ou practice | Votre école | Votre spécialité | Votre nom »
Niveau : Niveau ouvert Mode : Présentiel Source : PFE Book PwC 2026-2027 (pfebooks.com)
- Réaliser un benchmark des enjeux et référentiels de gouvernance IA (AI Act, NIST AI RMF, ISO 42001, etc.). - Concevoir l’architecture d’un AI Gateway/proxy centralisant les appels aux LLM. - Développer les guardrails : filtrage des données sensibles (Personally Identifiable Information PII), détection de prompt injection, modération de contenu. - Implémenter le monitoring et l’observabilité : traçabilité des prompts, suivi des coûts, détection d’hallucinations. - Mettre en place la gestion des accès, des politiques d’usage et des tableaux de bord de conformité. - Tester la robustesse (Red Teaming), documenter et déployer la solution.
Talnivo calcule votre score de compatibilité CV ↔ offre et vous aide à l'améliorer avant de postuler.
Créer un compte gratuitVoir toutes les offres sur Talnivo