IA Engineer / Data Scientist – Générative AI (H/F)
ALTEN·Boulogne-Billancourt·Publiée il y a 7 j
ESN
Site carrière de l'entreprise
Le poste
1.
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, Io
T, etc.).Nettoyage : Gérer les valeurs manquantes, les doublons, les incohérences (outils : Pandas, Py
Lire toute la description ⌄Réduire ⌃
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, Io
T, etc.).Nettoyage : Gérer les valeurs manquantes, les doublons, les incohérences (outils : Pandas, Py
Spark, Open
Refine).Analyse exploratoire (EDA) :Statistiques descriptives (moyenne, écart-type, distributions).Visualisations (Matplotlib, Seaborn, Plotly, Tableau).Détection d’anomalies et de patterns (outils : Scikit-learn, Auto
ML).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’IAChoix 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 (Res
Net, YOLO), Vision Transformers (Vi
T) (pour la reconnaissance d’images, OCR).NLP : Transformers (BERT, Ro
BERTa), RNN/LSTM (pour les chatbots, l’analyse de sentiments).Séries temporelles : LSTM, Prophet, ARIMA (pour le forecasting).IA Générative : LLMs (GPT, LLa
MA), 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 Sage
Maker, Azure ML, Google Vertex AI.On-premise : Docker, Kubernetes, Fast
API, Flask.Edge : Déploiement sur des appareils Io
T (Tensor
Flow 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 8x22
B) et des techniques émergentes (agents autonomes, multi-modalité).
Le profil
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 Gen