Machine Learning Engineer / Data Scientist (F/H)

En tant que ML Data Scientist, tu développeras les modèles permettant à SCorp-io de comprendre, prévoir puis optimiser le comportement thermique et énergétique des bâtiments à partir de leurs données réelles.

Tu travailleras notamment à partir de :

• Températures,
• Consommations,
• Météo,
• Occupation,
• Calendriers,
• Consignes,
• Commandes,
• Etats des équipements.

L’objectif est de construire progressivement une boucle :

Modéliser → Prévoir → Mesurer → Optimiser → Apprendre

Tu travailleras au sein de l’équipe Produit & Tech, en lien étroit avec les développeurs, les experts CVC et les équipes opérationnelles.

Tes missions

01  Machine Learning & modélisation

• Construire des modèles prédictifs du comportement thermique des bâtiments,
• Modéliser l’inertie, les vitesses de chauffage/refroidissement et les délais entre une commande et son effet,
• Exploiter des séries temporelles multivariées intégrant météo, occupation et historique de fonctionnement,
• Prévoir températures, besoins thermiques et consommations,
• Développer des fonctions d’Optimal Start / Stop,
• Comparer différentes approches : modèles statistiques, Machine Learning, modèles dynamiques ou hybrides physique/data.

02  Mesure de performance

• Construire des baselines et modèles de consommation attendue,
• Mesurer l’écart entre prédictions et observations,
• Contribuer à l’évaluation des gains énergétiques et du ROI,
• Quantifier l’incertitude et détecter les dérives,
• Définir les conditions dans lesquelles un modèle est suffisamment fiable pour être utilisé.

03  Optimisation et industrialisation

À mesure que les modèles gagnent en maturité :

• Optimiser horaires et consignes selon l’inertie, la météo et l’occupation,
• Contribuer progressivement à l’optimisation des lois d’eau, lois d’air, PAC, CTA et réseaux hydrauliques,
• Explorer des approches d’optimisation sous contraintes ou de contrôle prédictif,
• Participer à la mise en production, au monitoring et à l’amélioration continue des modèles.Tu disposes d’une solide formation scientifique, data ou ingénieur et maîtrises plusieurs des domaines suivants :

Compétences clés

• Python, NumPy, pandas, SciPy, scikit-learn ou équivalents,
• Machine Learning supervisé : régression linéaire, Ridge/Lasso, Random Forest, XGBoost/LightGBM ou équivalents,
• Séries temporelles et forecasting,
• Statistiques, feature engineering et validation de modèles,
• Backtesting, MAE, RMSE, R² ou métriques adaptées,
• Optimisation numérique.

Un vrai plus

Une expérience sur plusieurs de ces sujets constitue un vrai plus :

• identification de systèmes, state-space models, filtres de Kalman,
• modèles hybrides physique/data,
• PyTorch ou Deep Learning appliqué aux séries temporelles,
• Modelica, EnergyPlus ou outils de simulation,
• MPC / optimal control / optimisation sous contraintes,
• MLflow, MLOps et monitoring de modèles.

Les expériences dans le bâtiment, l’énergie, la thermique, l’industrie, la mécanique, l’IoT ou d’autres systèmes physiques nous intéressent particulièrement.

*Une expérience directe du CVC est appréciée, mais une forte expérience en modélisation de systèmes physiques dans un autre domaine peut être tout aussi pertinente.*1. Un premier échange avec Sébastien, CPO 2. Un entretien avec l’équipe Produit / Tech, 3. Un cas ou échange technique autour d’un problème concret, 4. Entretien final avec l’équipe dirigeante.