This job offer is no longer available

Data Scientist IA & MLOps (IT) / Freelance

LeHibou

Croix, Hauts-de-France, France

Croix, Hauts-de-France, France

About

Dans le cadre de la typologie IT-T Data Scientist, les missions g n riques associ es incluent : - tablir des sc narios permettant de comprendre et d anticiper de futurs leviers m tiers ou op rationnels pour l entreprise. - R aliser tout le cycle de valorisation de la donn e : Choix et collecte des donn es. Analyse de la qualit des donn es et redressement. Pr paration des donn es. Valorisation sp cifique la Data Science (analyse pr dictive voire prescriptive, mise en place d algorithmes d apprentissage automatique ou profond, conception de data visualizations dynamiques, data storytelling, etc.). - Appliquer des techniques statistiques, de text mining, d analyse comportementale, de g olocalisation, etc., pour l extraction et l analyse d informations issues de gisements de donn es (Big Data). - Obtenir des donn es ad quates et trouver les sources de donn es pertinentes : Recommandations sur les bases de donn es consolider, modifier, rapatrier, externaliser, internaliser. Conception de datamarts et potentiellement d entrep ts de donn es (data warehouses). - valuer la qualit et la richesse des donn es : Rassembler les donn es, les mod liser et en v rifier la v racit . - Analyser les r sultats et les int grer dans le syst me d information cible du m tier. - Traduire une probl matique m tier en probl me math matique/statistique et r ciproquement. - Comparer et valuer diff rents mod les ou m thodes de calcul, en anticipant les avantages et inconv nients dans un environnement m tier donn . 2. P rim tre fonctionnel et responsabilit s principales 2.1. Credit Risk Scoring - Pour les quipes Risque / Validation : Concevoir et optimiser les scores d octroi et de comportement en explorant des approches innovantes. Garantir la stabilit du co t du risque en entra nant et d ployant ces solutions, et en assurant le monitoring de la d rive des mod les. Travailler en troite collaboration avec les experts m tiers et les quipes Risque. 2.2. AI Solutions (IA appliqu e aux parcours clients) - Optimiser l exp rience client en int grant les mod les d IA en temps r el sous forme d API dans les parcours digitaux (scoring temps r el, personnalisation des offres de paiement, etc.). - Participer l architecture technique pour une int gration fluide des mod les, en suivant les meilleures pratiques de d veloppement (Cloud, MLOps). - Collaborer avec les quipes Produit et IT pour industrialiser les solutions (mise en production, supervision, conformit aux standards de l entreprise). 2.3. GenAI (IA g n rative et agents) - Prototyper et d ployer en production des solutions d IA g n rative sous forme d agents (LLM, RAG, etc.) pour : Transformer les processus internes (Marketing, Audit, Risque, ). Am liorer la relation et le support client. - Mettre en place des architectures agentic pour : Automatiser l octroi d offres de cr dit (Risque). Automatiser des t ches complexes d analyse documentaire. Faciliter l interaction avec les clients. - valuer, optimiser et monitorer les performances des agents (coh rence, diversit , usage de LLM as a Judge, etc.). Profil candidat: 3. Expertises techniques recherch es 3.1. Data Science rience en mod les supervis s : R gression logistique. Mod les arbres de d cision. Mod les de Gradient Boosting (XGBoost / LightGBM). - Connaissance et mise en uvre d approches explicables (SHAP, LIME, explainable AI) pour l interpr tabilit des mod les, notamment dans un contexte de risque. - Pratique des mod les g n ratifs et des LLM : Utilisation de frameworks et API de LLM (OpenAI, HuggingFace, fine-tuning, etc.). 3.2. cosyst me Data Engineering trise du langage Python et de l cosyst me ML : Pandas, Scikit-learn. MLflow. Pydantic. LangChain, LangGraph. FastAPI. - Bonnes pratiques de d veloppement : Packaging, CI/CD, tests (pytest), feature stores. - Mise en production de mod les : D ploiement de mod les sous forme d API. Mise en place de pipelines automatis s (MLflow, GitHub Actions, Kubernetes, Docker). - Monitoring et fiabilit : Suivi de la qualit des donn es, des performances et des m triques d valuation. Back testing. Suivi de la d rive de donn es / concept drift. valuation de syst mes RAG (RAGAS) et approches de type LLM as a Judge. 3.3. Outils Azure (dont Azure ML, Foundry). Databricks. pySpark. - Outils collaboratifs et de gestion de code : Confluence, JIRA. Bitbucket, GitLab, Azure DevOps. 3.4. Comp tences bonus - Une connaissance technique de Snowflake est un plus. - Une bonne compr hension des enjeux bancaires r glementaires (scoring, r glementation) est un plus. 4. Profil recherch - Exp rience : 5 7 ans d exp rience. - Parcours : Profil mixte Data Science mise en production / MLOps. - Positionnement technique et fonctionnel : l aise pour discuter aussi bien de mod lisation ML que d architecture du SI. Capacit travailler avec de multiples m tiers : Risque, Paiement, Digital, Fraude, Conformit , etc. - App tence et tat d esprit : Go t prononc pour le delivery, l exp rimentation et les environnements o l IA a un impact direct sur l exp rience client. Int r t fort pour les solutions d IA g n rative et les approches agentic .

Croix, Hauts-de-France, France

Languages

French

Notice for Users

This job was posted by one of our partners. You can view the original job source here.