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

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 .