Sciences des données, Intelligence Artificielle

Quelles sont vos contributions envers l’équipe?

•   Formuler les enjeux d’affaires sous forme de problèmes mesurables de prévision, d’optimisation, de traitement du langage naturel (NLP), de recherche d’information, de classification, de gestion du risque ou de recommandation.
• Explorer, analyser et valider des données d’entreprise encadrées par des pratiques de gouvernance.
• Développer, avec Databricks et Azure, des chaînes reproductibles pour la création de variables, l’entraînement, la validation et le scoring des modèles.
• Établir des bases de référence analytiques pertinentes ainsi que des indicateurs de performance alignés sur les résultats d’affaires attendus.
• Concevoir et valider des modèles à l’aide de la validation croisée, de tests rétrospectifs, d’analyses d’incertitude et de métriques pertinentes pour l’entreprise.
• Développer des solutions d’intelligence documentaire et de génération augmentée par récupération (RAG) qui produisent des réponses ancrées dans les sources, avec citations, évaluation de la recherche, garde-fous et révision humaine.
• Développer des solutions de prévision et d’oimisation des stocks qui tiennent compte de la demande intermittente, de l’incertitude, des niveaux de service et des contraintes opérationnelles. 
• Développer des modèles de classification et de risque en appliquant des approches adaptées aux données déséquilibrées, à la calibration, à l’explicabilité et aux décisions sensibles aux coûts.
• Mettre les modèles en production à l’aide de MLflow, de registres de modèles, de tests automatisés, de contrôles de déploiement, de mécanismes de surveillance, de détection de dérive et de plans de réentraînement.   
• Appliquer, tout au long du cycle de vie de l’IA, les contrôles liés à la confidentialité, à la sécurité, à la traçabilité, à l’explicabilité, aux biais, à la robustesse, à l’auditabilité et à la réponse aux incidents.
• Présenter clairement les hypothèses, les limites, les compromis et les recommandations.
• Collaborer avec les ingénieurs full stack et les ingénieurs de plateforme afin d’intégrer les modèles aux flux de production et aux expériences utilisateurs.
• Tenir à jour la documentation des modèles, les preuves de validation, les plans de surveillance et les procédures de soutien.
• Collaborer avec les parties prenantes des affaires, de la technologie, des données, de la gouvernance et de la livraison à l’échelle de l’entreprise.
• Transformer les exigences d’affaires en conceptions techniques maintenables et en critères d’acceptation clairs.

Comment vous épanouir dans ce rôle? 

•   Vous détenez un baccalauréat en science des données, en informatique, en statistique, en mathématiques, en génie, en recherche opérationnelle ou dans un domaine quantitatif connexe.
• Vous possédez au moins cinq ans d’expérience dans le développement de solutions appliquées en science des données, en apprentissage automatique, en prévision, en optimisation, en traitement du langage naturel (NLP) ou en modélisation du risque dans des contextes d’affaires ou des environnements d’entreprise.
• Vous maîtrisez Python et SQL, et possédez une expérience pratique avec pandas, NumPy, scikit-learn, Spark/PySpark et Databricks.
• Vous savez convertir des enjeux d’affaires en cibles analytiques, en contraintes, en critères d’acceptation, en résultats mesurables et en recommandations prêtes à être mises en production.
• Vous appliquez de solides pratiques de développement et de validation de modèles, notamment l’établissement de bases de référence, la validation croisée, les tests rétrospectifs, l’analyse des erreurs, l’explicabilité et la définition d’indicateurs de performance d’affaires.
• Vous communiquez clairement avec des parties prenantes techniques et non techniques en expliquant les hypothèses, les résultats, les limites, les compromis et les actions recommandées.
•  Vous vous épanouissez dans des environnements dynamiques et collaboratifs, et vous maîtrisez le français et l’anglais, à l’oral comme à l’écrit.