Data Scientist / AI Engineer

Contexte

Le ou la consultant(e) interviendra donc sur plusieurs cas d’usage au cours de la prestation, et non sur un produit unique, en lien avec les experts métier (maintenance, fiabilité, production, procédés), les équipes produit et les partenaires technologiques.

Missions

• Cadrer les cas d’usage avec les équipes métier et produit : traduire le besoin en problème data/IA, définir hypothèses, métriques métier et critères de succès.

• Explorer et qualifier les données (séries temporelles, données de maintenance SAP, documents, données de production) et construire des jeux d’évaluation avec les experts.

• Concevoir, développer et comparer des modèles face à des baselines métier solides (ML classique, méthodes statistiques, modèles de fondation pour séries temporelles, agents LLM).

• Concevoir des briques GenAI / agentiques lorsque c’est pertinent (recherche sur cas historiques, extraction structurée, agents outillés), avec des résultats traçables.

• Industrialiser : pipelines reproductibles, packaging, APIs, déploiement et supervision en production (MLOps / LLMOps), selon les standards de l’équipe.

• Assurer le cycle de vie des modèles : suivi de performance, détection de dérive, réentraînement, documentation.

• Restituer résultats et limites aux utilisateurs métier et au management, et contribuer aux recommandations go / no-go.

1. 5 ans minimum d'expérience en data science / AI engineering, dont au moins 2 ans sur des projets industriels avec des modèles déployés et maintenus en production

2. Expertise en Python et écosystème scientifique / ML (pandas, NumPy, scikit-learn, PyTorch)

3. Compétences en modélisation de séries temporelles industrielles : détection d’anomalies, analyse multivariée, prévision, gestion de données capteurs bruitées et irrégulières

4. Capacité à concevoir des évaluations rigoureuses : métriques métier, baselines, arbitrage faux positifs / faux négatifs, reproductibilité des benchmarks

5. Maîtrise de l’industrialisation de solutions ML : MLOps (MLflow ou équivalent), CI/CD avec Git / GitHub, packaging, supervision

6. Maîtrise de GenAI et systèmes agentiques : RAG, sorties structurées, appels d’outils, orchestration d’agents, évaluation et traçabilité des LLM

7. Connaissance des plateformes cloud et data : Databricks, Azure et/ou AWS ; SQL ; APIs (FastAPI) ; Docker

8. Connaissances appréciées en maintenance prédictive / conditionnelle, fiabilité (modes de défaillance, RCA), opérations de production oil & gas

9. Connaissance des systèmes de données industrielles : PI / historians, Inmation, SAP PM, Cognite Data Fusion

10. Connaissance en IA documentaire / vision (P&ID, plans techniques)

11. Usage critique de l’IA dans les pratiques de développement, sans déléguer la compréhension ni la responsabilité technique

12. Forte orientation métier : la performance d’un modèle n’a de valeur que par la décision qu’il améliore

13. Capacité à travailler avec les experts terrain (maintenance, fiabilité, production) et à expliquer résultats et limites à un public non technique

14. Rigueur scientifique et esprit critique ; capacité à challenger et à exprimer un désaccord de manière constructive

15. Autonomie, organisation et capacité à délivrer dans un contexte Agile (Scrum / Kanban)

16. Esprit d’équipe, partage de connaissances et contribution aux standards de l’équipe

17. Français courant et anglais professionnel