Alternant(e) - data scientist/ ia engineer

Intitulé du poste


Alternant(e) - Data Scientist/ IA Engineer

Description de la mission

Au sein de la direction financière et plus particulièrement au sein du pôle Direction du Risque Financier Client, vous serez au cœur de la stratégie d'innovation de l'équipe "Pilotage par la donnée", vous contribuerez directement à la conception et au développement de nos solutions d'Intelligence Artificielle. Vous transformerez des problématiques complexes en modèles prédictifs à forte valeur ajoutée. Pour cela, vous serez amené(e) à :

1. Développer des modèles de Machine Learning : Participer à l'ensemble du cycle de vie d'un projet de Data Science, de l'exploration des données et du feature engineering jusqu'au déploiement et au monitoring du modèle en production.
2. Appliquer des méthodes statistiques avancées : Mettre en œuvre des analyses statistiques et des tests d'hypothèses rigoureux pour valider la pertinence de vos approches.
3. Collaborer à l'industrialisation : Travailler en étroite collaboration avec les profils MLOps/Data Engineers pour assurer la scalabilité et la robustesse de vos solutions ("Travail d'équipe / Collaboration transverse").
4. Innover et explorer : Assurer une veille active sur les nouveaux algorithmes et les nouvelles approches en IA pour "faire autrement" et proposer des solutions innovantes.
5. Mesurer l'impact : Évaluer la performance de vos modèles non seulement sur des métriques techniques, mais aussi sur leur impact métier réel.

Profil

En dernière année de formation BAC+5 (Master ou école d'ingénieur) avec une spécialisation poussée en Data Science, Machine Learning, Statistiques Appliquées ou Informatique.

6. Vous avez une solide compréhension théorique des algorithmes de Machine Learning et une forte envie de les appliquer sur des cas d'usage concrets.
7. Vous êtes curieux(se), autonome et aimez relever des défis techniques.

Compétences

8. Indispensable : Maîtrise de Python et de son écosystème Data Science (Scikit-learn, Pandas, NumPy, etc.).
9. Requis : Solides compétences en SQL pour la manipulation de données.
10. Apprécié : Une première expérience (même académique) sur des projets de Machine Learning, ainsi qu'une connaissance des environnements cloud (GCP, AWS) et de Docker.