Lead Data Scientist / ML Engineer (5 ans Min) – IA & GenAI @ Banque @ Lille

📍 Lille (59) – 2 jours de télétravail / semaine
📅 Démarrage : avril 2026
⏳ Durée : 6 mois
👤 Expérience : 6 à 9 ans

Contexte de la mission

Dans le cadre d’une ambitieuse stratégie autour de l’intelligence artificielle, vous interviendrez sur des sujets à fort impact mêlant Machine Learning, Deep Learning, NLP et IA Générative.

L’objectif est de valoriser la donnée à grande échelle pour :

• optimiser les processus métiers

• améliorer la prise de décision

• renforcer l’expérience utilisateur

Vous évoluerez dans un environnement data moderne, avec des enjeux concrets de mise en production et de passage à l’échelle.

Vos missions

• Concevoir, développer et industrialiser des modèles de Machine Learning et Deep Learning

• Exploiter les données pour générer des cas d’usage à forte valeur ajoutée

• Participer à l’optimisation des processus métiers via la data

• Mettre en place des pipelines robustes et automatisés

• Déployer les modèles en production (API, batch, temps réel)

• Assurer le monitoring des performances (modèles, dérive, qualité des données)

• Contribuer aux initiatives autour de l’IA Générative et des LLM

• Collaborer avec des équipes pluridisciplinaires (produit, risque, fraude, IT…)

Stack technique & environnement

🧠 Data Science & IA

• Modèles supervisés : régression logistique, arbres, gradient boosting (XGBoost, LightGBM)

• Explainable AI : SHAP, LIME

• LLM & GenAI : OpenAI, HuggingFace, fine-tuning

⚙️ Data Engineering & MLOps

• Python & écosystème ML : Pandas, Scikit-learn, MLflow

• Frameworks : FastAPI, Pydantic, LangChain, LangGraph

• Industrialisation : CI/CD, tests (pytest), feature stores

• Déploiement : Docker, Kubernetes, GitHub Actions

• Monitoring : data quality, drift, backtesting, RAGAS, LLM evaluation

☁️ Cloud & outils

• Azure (Azure ML), Databricks, PySpark

• Outils collaboratifs : Git, Jira, Confluence

• 6 à 9 ans d’expérience en Data Science / Machine Learning

• Forte expérience en mise en production de modèles (MLOps)

• Capacité à intervenir de bout en bout : modélisation → industrialisation

• Bonne compréhension des enjeux d’architecture data

• À l’aise dans des environnements métiers variés (produit, risque, fraude…)

• Intérêt marqué pour les sujets GenAI / LLM / Agentic AI

• Esprit orienté delivery, impact et expérimentation

Un plus :

• Connaissance des environnements réglementés (finance, scoring…)

• Expérience avec Snowflake

Langues

• Français : courant

• Anglais : professionnel