Senior Data Scientist - Banking AI

Objectifs et contexte de la mission, liste des tâches attendues et livrables

L'objectif de cet appel d'offre est de renforcer l'équipe de Data Scientist de la division AI de la plateforme CIB/Banking. Cette équipe est spécialisée dans l'intégration de solution AI innovantes au sein des diverses applications comme de l'extraction de données à partir de divers documents (états financiers, documents de crédit, etc.) et systèmes internes.

Votre mission consistera à participer aux différentes étapes des projets de data science, notamment :

- Définition et contribuer à la mise en œuvre de solutions agentiques pour simplifier et accélérer des process métiers complexes.

- Interaction avec les Métiers afin de maximiser l'impact et l’adoption des solutions IA.

- Extraction des données à partir de divers documents et systèmes internes en utilisant pipelines IA agentiques.

- Mettre en place des systèmes d’évaluations et d’observabilités sur des pipelines agentiques.

- Déployer des LLMs, modèles sur des gpus dans un environnement de dev.

- Amélioration continue : Améliorer constamment les performances de l'extraction de données dans le cadre d'une approche itérative et incrémentale.

- Mettre en œuvre des stratégies de test afin de garantir le niveau de qualité requis et l’amélioration continue des processus de développement.

- Interaction des standards de développement IT les plus élevés pour industrialiser la data science, en interagissant avec les architectes, les équipes de production.

- Coaching et accompagnement de profils plus juniors et ownership de use cases métiers et leur mise en production.

Stacks techniques : fastAPI, google ADK, pytest, LangGraph, Phoenix Arize, DSPy, Kubernetes, Jenkins, vLLM.

Description du profil

Expérience dans l'environnement de la prestation :

6 ans et plus

Data Scientist pouvant démontrer d'une experience tangible sur des projets d'IA :

Collecte et préparation des données :

- Récupérer et nettoyer les données issues de différentes sources (bases de données, API, fichiers, etc.),

- Effectuer des analyses exploratoires (EDA) pour comprendre la structure et la qualité des données.

- Effectuer des transformations et des feature engineering pour améliorer la pertinence des modèles.

Développement de Modèles IA :

- Sélectionner et entraîner des modèles de machine learning et deep learning en fonction du cas d’usage.

- Comparer différentes approches (régression, classification, réseaux neuronaux, etc.).

- Optimiser les modèles via le tuning des hyperparamètres et la validation croisée.

Déploiement et Industrialisation des Modèles :

- Intégrer les modèles dans des applications ou systèmes en collaboration avec les équipes MLOps/DevOps.

- Mettre en place des pipelines d’entraînement et de mise à jour des modèles.

- Assurer le suivi des performances des modèles en production et détecter le model drift

Interprétation et Visualisation des Résultats :

- Présenter les résultats et insights aux équipes métiers à travers des visualisations et des rapports.

- Expliquer le fonctionnement des modèles et leur impact business.

Veille Technologique et Amélioration Continue :

- Se tenir informé des avancées en IA et machine learning.

- Tester de nouvelles architectures et frameworks (TensorFlow, PyTorch, Scikit-learn, etc.).

- Participer à l’amélioration des algorithmes et des processus internes.