Senior Data Scientist - Optimisation Shopfloor

Contexte

Le client déploie une application stratégique d'automatisation intelligente du shopfloor : adapter dynamiquement les plannings de main-d'œuvre en réponse aux incidents de production, pour minimiser les retards et maximiser la résilience opérationnelle. Le produit standardise les activités de travail ("role cards") sur l'ensemble des sites et permet aux équipes de benchmarker et réutiliser les meilleures pratiques.

Missions

• Concevoir et implémenter des modèles d'optimisation du planning shopfloor : algorithmes de graphes, programmation linéaire, optimisation stochastique.

• Développer des solutions de programmation par contraintes pour l'affectation de main-d'œuvre sous incertitude.

• Architecturer des agents LLM automatisant les workflows shopfloor — de la détection de perturbations à la réallocation de ressources.

• Utiliser des frameworks agentiques (LangChain, LangGraph), RAG, et fournir une aide à la décision contextualisée en environnement industriel.

• Construire des modèles prédictifs et prescriptifs : prévision d'incidents, estimation de durées de tâches, affectation optimale de main-d'œuvre, séries temporelles, détection d'anomalies.

• Piloter la validation sur sites pilotes, mettre en place des frameworks d'évaluation, assurer robustesse et scalabilité des modèles.

• Collaborer avec les équipes engineering et data, communiquer les arbitrages aux parties prenantes métiers.

Outils & Environnement

• Recherche opérationnelle : solvers et librairies Python (OR-Tools, PuLP, SciPy)

• IA générative et systèmes agentiques : LangChain, LangGraph, pipelines RAG

• Machine learning : scikit-learn, PyTorch, TensorFlow

• Environnement industriel : manufacturing, supply chain, logistique, énergie

Conditions de travail

• Localisation : Lyon (3 jours/semaine obligatoires)

• Langue : anglais courant obligatoire

• Secteur : industrie pharmaceutique

• Démarrage : dès que possible

• Tarif journalier : selon profil

1. Expérience prouvée en recherche opérationnelle — modélisation de problèmes d'affectation, scheduling ou optimisation sous contraintes avec un solver ou une librairie Python (OR-Tools, PuLP, SciPy) en contexte professionnel

2. Maîtrise des systèmes GenAI et agentiques en production — LangChain, LangGraph, pipelines RAG déployés dans un contexte exigeant

3. Background solide en machine learning — séries temporelles, détection d'anomalies, modèles prescriptifs, avec Scikit-learn, PyTorch ou TensorFlow, capable d'aller de l'exploration à la mise en production

4. Expérience en environnement industriel ou opérationnel — manufacturing, supply chain, logistique, énergie, compréhension des contraintes terrain

5. Anglais courant obligatoire — travail avec des équipes internationales et parties prenantes non francophones