IA Engineer / Data Scientist – Générative AI (H/F)

IA Engineer / Data Scientist - Générative AI (H/F) - 6 ans d’expérience

Alten, la maison des ingénieurs : qui sommes-nous ?

Fort de plus de 35 ans d’expérience, le groupe Alten est présent dans plus de 30 pays. Avec ses 54 000 collaborateurs, dont 88 % d’ingénieurs, Alten s’impose aujourd’hui comme un acteur international de référence et un leader sur son marché.

Attaché au bien-être de ses collaborateurs, le groupe a été certifié Top Employer pour la 12ᵉ année consécutive. Cette reconnaissance repose sur un audit exigeant mené par le Top Employer Institute, évaluant plus de 600 pratiques RH, garantissant un environnement de travail de qualité pour tous.

Pourquoi nous rejoindre ?

• Un engagement RSE fort : nos équipes contribuent à des projets porteurs de sens, tournés vers un avenir durable. Alten est notamment engagé dans plusieurs initiatives environnementales telles que Planet Tech’Care, la Charte de l’ingénierie ou encore le Climate Ambition Accelerator.
• Le développement des compétences au cœur de notre stratégie : nous accompagnons chaque collaborateur dans sa montée en compétences tout au long de votre parcours carrière.
• Une culture d’entreprise dynamique : événements fédérateurs, actions solidaires, webinaires innovation, challenges variés… Faites l’expérience d’un environnement stimulant où vous pourrez partager vos talents et vos passions.

Contexte

Dans le cadre d’une mission chez un client grand compte du secteur Banque/Finance/Assurance, la Direction des Solutions Data et IA du groupe ALTEN recrute un Data Scientist Senior spécialisé en Intelligence Artificielle. Ce poste, placé sous la responsabilité du Directeur Data Science, a pour mission de concevoir, développer et industrialiser des modèles d’IA pour répondre aux enjeux métiers spécifiques du secteur, tels que :

• La détection des fraudes (transactions suspectes, blanchiment d’argent).
• L’optimisation des risques (scoring crédit, évaluation des risques clients).
• L’automatisation des processus (traitement des demandes de prêt, réconciliation bancaire).
• L’amélioration de l’expérience client (chatbots intelligents, recommandations personnalisées).
• La conformité réglementaire (DSP2, RGPD, BCBS 239, ACPR).

Ce rôle est central pour accompagner le client dans sa transformation data-driven, en garantissant que les solutions développées soient précises, sécurisées, conformes aux réglementations bancaires et financières, et alignées sur ses objectifs business (réduction des coûts, amélioration de la satisfaction client, gestion des risques).

1. Exploration et Préparation des Données

• Comprendre les enjeux métiers :
  • Collaborer avec les équipes métiers pour identifier les problématiques (ex : réduction des coûts, amélioration de l’expérience client, détection d’anomalies).
  • Définir des objectifs clairs et mesurables (ex : réduire le taux d’erreur de 20 %, améliorer le taux de conversion de 15 %).
• Explorer les données :
  • Collecte : Identifier les sources de données pertinentes (bases de données, APIs, fichiers plats, IoT, etc.).
  • Nettoyage : Gérer les valeurs manquantes, les doublons, les incohérences (outils : Pandas, PySpark, OpenRefine).
  • Analyse exploratoire (EDA) :
    • Statistiques descriptives (moyenne, écart-type, distributions).
    • Visualisations (Matplotlib, Seaborn, Plotly, Tableau).
    • Détection d’anomalies et de patterns (outils : Scikit-learn, AutoML).
• Feature Engineering :
  • Création de nouvelles features (ex : agrégations, encodages, transformations temporelles).
  • Sélection des features pertinentes (méthodes : correlation analysis, feature importance, PCA).
  • Optimisation pour les modèles (normalisation, scaling).

2. Développement de Modèles d’IA

• Choix des algorithmes :
  • Supervisé :
    • Classification : Random Forest, XGBoost, SVM, Réseaux de Neurones (pour la détection de fraudes, le scoring risque).
    • Régression : Linear Regression, Ridge/Lasso, Neural Networks (pour la prédiction de ventes, la maintenance prédictive).
  • Non supervisé :
    • Clustering : K-Means, DBSCAN, Hierarchical Clustering (pour la segmentation client).
    • Réduction de dimension : PCA, t-SNE, UMAP (pour la visualisation de données complexes).
  • Deep Learning :
    • Computer Vision : CNN (ResNet, YOLO), Vision Transformers (ViT) (pour la reconnaissance d’images, OCR).
    • NLP : Transformers (BERT, RoBERTa), RNN/LSTM (pour les chatbots, l’analyse de sentiments).
    • Séries temporelles : LSTM, Prophet, ARIMA (pour le forecasting).
    • IA Générative : LLMs (GPT, LLaMA), Diffusion Models (Stable Diffusion) (pour la génération de texte ou d’images).
  • Reinforcement Learning :
    • Q-Learning, Deep Q-Networks (DQN), Proximal Policy Optimization (PPO) (pour l’optimisation dynamique).
• Entraînement des modèles :
  • Préparation des jeux de données : Split train/test/validation, cross-validation.
  • Hyperparamétrage : Grid Search, Random Search, Bayesian Optimization (outils : Optuna, Hyperopt).
  • Évaluation :
    • Métriques : Accuracy, Precision/Recall, F1-score, ROC-AUC (classification) ; RMSE, MAE, R² (régression) ; BLEU, Perplexity (NLP).
    • Validation : A/B testing, backtesting.
• Optimisation :
  • Performance : Réduction de la latence, optimisation des ressources (quantization, pruning, distillation).
  • Explicabilité : SHAP, LIME, Captum (pour expliquer les décisions des modèles).
  • Biais et équité : Détection et correction des biais (outils : AIF360, Fairlearn).

3. Industrialisation et Déploiement des Modèles

• MLOps et Déploiement :
  • Versioning : Gestion des versions des modèles et des données (outils : MLflow, DVC, Git).
  • Pipeline CI/CD : Automatisation des tests et déploiements (outils : Jenkins, GitHub Actions, GitLab CI).
  • Déploiement :
    • Cloud : AWS SageMaker, Azure ML, Google Vertex AI.
    • On-premise : Docker, Kubernetes, FastAPI, Flask.
    • Edge : Déploiement sur des appareils IoT (TensorFlow Lite, ONNX Runtime).
  • Monitoring :
    • Suivi des performances (outils : Prometheus, Grafana, Evidently).
    • Détection de la dérive des modèles (data drift, concept drift).
    • Alertes et retraining automatique.
• Intégration avec les systèmes existants :
  • Collaboration avec les Data Engineers pour intégrer les modèles dans les pipelines de données.
  • Intégration avec les applications métiers (ERP, CRM, plateformes web/mobile).

4. Veille & Innovation

• Suivre les avancées en IA Générative :
  • Évaluation des nouveaux modèles (ex. : Gemini 1.5, Mistral 8x22B) et des techniques émergentes (agents autonomes, multi-modalité).

• Formation : Bac+5 en data science, informatique, ou mathématiques appliquées (école d’ingénieur ou master spécialisé en IA/ML).
• Expérience :6 ans en développement IA/ML, avec une expertise avérée en :
  • Développement de modèles d’IA (au moins 5 projets complets en production).
  • Expertise dans plusieurs domaines d’application :
    • Computer Vision (ex : reconnaissance d’images, OCR).
    • NLP (ex : chatbots, analyse de sentiments, extraction d’informations).
    • Séries temporelles (ex : maintenance prédictive, forecasting).
    • Recommandation (ex : systèmes de recommandation personnalisés).
    • IA Générative (ex : génération de texte, d’images, ou de code).
  • Expérience en industrialisation :
    • Déploiement de modèles en production (cloud, on-premise, edge).
    • Collaboration avec des équipes MLOps/DevOps.
    • Intégration avec des systèmes métiers (ERP, CRM, etc.).
• Soft Skills :
  • Esprit d’innovation : Capacité à proposer des solutions créatives tout en respectant les contraintes industrielles.
  • Rigueur : Respect des bonnes pratiques (reproductibilité, documentation, tests).
  • Collaboration : Travail en équipe avec les data engineers, devops, et métiers.
  • Pédagogie : Explication claire des concepts GenAI à des non-experts.
• Langues : anglais technique.