Data Scientist IA & MLOps

Description du poste

Dans le cadre de la typologie IT-T – Data Scientist, les missions génériques associées incluent :

- Établir des scénarios permettant de comprendre et d’anticiper de futurs leviers métiers ou opérationnels pour l’entreprise.
- Réaliser tout le cycle de valorisation de la donnée :
• Choix et collecte des données.
• Analyse de la qualité des données et redressement.
• Préparation des données.
• Valorisation spécifique à la Data Science (analyse prédictive voire prescriptive, mise en place d’algorithmes d’apprentissage automatique ou profond, conception de data visualizations dynamiques, data storytelling, etc.).
- Appliquer des techniques statistiques, de text mining, d’analyse comportementale, de géolocalisation, etc., pour l’extraction et l’analyse d’informations issues de gisements de données (Big Data).
- Obtenir des données adéquates et trouver les sources de données pertinentes :
• Recommandations sur les bases de données à consolider, modifier, rapatrier, externaliser, internaliser.
• Conception de datamarts et potentiellement d’entrepôts de données (data warehouses).
- Évaluer la qualité et la richesse des données :
• Rassembler les données, les modéliser et en vérifier la véracité.
- Analyser les résultats et les intégrer dans le système d’information cible du métier.
- Traduire une problématique métier en problème mathématique/statistique et réciproquement.
- Comparer et évaluer différents modèles ou méthodes de calcul, en anticipant les avantages et inconvénients dans un environnement métier donné.


2. Périmètre fonctionnel et responsabilités principales

2.1. Credit Risk Scoring

- Pour les équipes Risque / Validation :
• Concevoir et optimiser les scores d’octroi et de comportement en explorant des approches innovantes.
• Garantir la stabilité du coût du risque en entraînant et déployant ces solutions, et en assurant le monitoring de la dérive des modèles.
• Travailler en étroite collaboration avec les experts métiers et les équipes Risque.

2.2. AI Solutions (IA appliquée aux parcours clients)

- Optimiser l’expérience client en intégrant les modèles d’IA en temps réel sous forme d’API dans les parcours digitaux (scoring temps réel, personnalisation des offres de paiement, etc.).
- Participer à l’architecture technique pour une intégration fluide des modèles, en suivant les meilleures pratiques de développement (Cloud, MLOps).
- Collaborer avec les équipes Produit et IT pour industrialiser les solutions (mise en production, supervision, conformité aux standards de l’entreprise).

2.3. GenAI (IA générative et agents)

- Prototyper et déployer en production des solutions d’IA générative sous forme d’agents (LLM, RAG, etc.) pour :
• Transformer les processus internes (Marketing, Audit, Risque, …).
• Améliorer la relation et le support client.
- Mettre en place des architectures « agentic » pour :
• Automatiser l’octroi d’offres de crédit (Risque).
• Automatiser des tâches complexes d’analyse documentaire.
• Faciliter l’interaction avec les clients.
- Évaluer, optimiser et monitorer les performances des agents (cohérence, diversité, usage de LLM as a Judge, etc.).

3. Expertises techniques recherchées

3.1. Data Science & Machine Learning

- Solide expérience en modèles supervisés :
• Régression logistique.
• Modèles à arbres de décision.
• Modèles de Gradient Boosting (XGBoost / LightGBM).
- Connaissance et mise en œuvre d’approches explicables (SHAP, LIME, explainable AI) pour l’interprétabilité des modèles, notamment dans un contexte de risque.
- Pratique des modèles génératifs et des LLM :
• Utilisation de frameworks et API de LLM (OpenAI, HuggingFace, fine-tuning, etc.).

3.2. Écosystème Data Engineering & MLOps

- Excellente maîtrise du langage Python et de l’écosystème ML :
• Pandas, Scikit-learn.
• MLflow.
• Pydantic.
• LangChain, LangGraph.
• FastAPI.
- Bonnes pratiques de développement :
• Packaging, CI/CD, tests (pytest), feature stores.
- Mise en production de modèles :
• Déploiement de modèles sous forme d’API.
• Mise en place de pipelines automatisés (MLflow, GitHub Actions, Kubernetes, Docker).
- Monitoring et fiabilité :
• Suivi de la qualité des données, des performances et des métriques d’évaluation.
• Back testing.
• Suivi de la dérive de données / concept drift.
• Évaluation de systèmes RAG (RAGAS) et approches de type LLM as a Judge.

3.3. Outils & Cloud

- Environnement Cloud et data :
• Azure (dont Azure ML, Foundry).
• Databricks.
• pySpark.
- Outils collaboratifs et de gestion de code :
• Confluence, JIRA.
• Bitbucket, GitLab, Azure DevOps.

3.4. Compétences bonus

- Une connaissance technique de Snowflake est un plus.
- Une bonne compréhension des enjeux bancaires réglementaires (scoring, réglementation) est un plus.

4. Profil recherché

- Expérience :
• 5 à 7 ans d’expérience.
- Parcours :
• Profil mixte Data Science + mise en production / MLOps.
- Positionnement technique et fonctionnel :
• À l’aise pour discuter aussi bien de modélisation ML que d’architecture du SI.
• Capacité à travailler avec de multiples métiers : Risque, Paiement, Digital, Fraude, Conformité, etc.
- Appétence et état d’esprit :
• Goût prononcé pour le delivery, l’expérimentation et les environnements où l’IA a un impact direct sur l’expérience client.
• Intérêt fort pour les solutions d’IA générative et les approches « agentic ».

Un grand groupe bancaire coopératif, issu du rapprochement de plusieurs réseaux bancaires de détail, souhaite renforcer ses capacités en intelligence artificielle. Son ambition est d’être la première banque du quotidien de ses clients particuliers, entreprises et institutions. L’organe central du groupe définit la politique et les orientations stratégiques, coordonne les politiques commerciales, représente le groupe dans les instances réglementaires et pilote le groupe en matière de liquidité, solvabilité, maîtrise des risques et contrôle interne.

Dans ce cadre, une entité du groupe dédiée au crédit et aux services financiers développe et accélère l’intégration du Machine Learning, du Deep Learning, du NLP et des solutions d’IA génératives afin de capitaliser sur l’exploitation des données, l’optimisation des processus opérationnels et l’amélioration de l’expérience client.

Une présentation générale du groupe est disponible en ligne.

1. Typologie de la prestation et besoin

Libellé de la prestation : IT & Technology – Data Scientist – Île-de-France
Typologie : IT-T – Data Scientist
Séniorité (référentiel interne) : Plus de 9 ans

Contexte / Objectifs

Dans le cadre de sa feuille de route IA, l’entité cliente souhaite :
- Renforcer ses modèles de risque de crédit et de scoring.
- Intégrer des modèles d’IA temps réel dans les parcours digitaux (notamment de paiement et d’octroi de crédit).
- Prototyper et déployer en production des solutions d’IA générative pour transformer les processus internes et la relation client.

La priorité est un excellent niveau en Machine Learning « traditionnel », idéalement avec une maîtrise du risque de crédit, et une capacité à évoluer vers des missions IA plus générales, jusqu’à l’IA générative.