Tech Lead Data Science - Assurance IARD et santé - Démarrage Janvier 2027

Contexte

Notre client, un grand groupe d'assurance, s'appuie sur une équipe interne de data science qui conçoit des solutions de machine learning et d'IA générative pour les métiers : gestion des sinistres, lutte contre la fraude, prévention des sinistres graves et chiffrage des événements climatiques. Les projets suivent un cycle qui va du POC jusqu'au transfert à une équipe d'industrialisation IA. Plusieurs cas d'usage sont déjà en production et d'autres mises en production sont planifiées, dont l'intégration d'un agent d'IA générative dans le système de gestion des sinistres.

Le Tech Lead est le garant de la cohérence technique des développements de l'équipe, du cadrage jusqu'au déploiement en production. Il consacre environ la moitié de son temps au développement sur les chantiers critiques. Le reste va à l'encadrement d'une équipe majoritairement junior et au rôle de référent technique auprès des équipes d'industrialisation, de MOA et de MOE. L'environnement est un DataLab sous Databricks, principalement en Python.

Missions

• Diagnostic de reprise du patrimoine technique (packages, pipelines, prompts) et plan d'action à 90 jours

• Mise à jour et animation des standards de développement par phase projet

• Revues de code et de modélisation, arbitrage et documentation des choix d'architecture

• Dossiers d'architecture des chantiers, dont les chaînes de chiffrage multi-périls avec backtesting automatisé

• Spécifications d'interfaces API, contrats de données et comptes rendus de recette

• Packages de transfert vers l'industrialisation conformes, avec checklist de livraison

• Préparation du MCO : monitoring, détection de dérive, indicateurs d'impact

• Contribution directe au développement des modèles de ML et des agents d'IA générative

• Plan de montée en compétence de l'équipe : mentorat, pair programming, animation des rituels techniques

• Rapports d'activité mensuels et rapport de fin de mission

Outils & Environnement

• Métier / fonctionnel

  • Assurance IARD et santé : sinistres, fraude, événements climatiques

  • Mise en production de modèles de machine learning dans un grand compte

  • Cadre réglementaire : AI Act, RGPD, documentation de conformité des modèles

• Techniques

  • Ingénierie Python avancée : packaging, gestion de dépendances (uv ou équivalent), typage

  • Machine learning supervisé : gradient boosting, régression quantile

  • Machine learning non supervisé : détection d'anomalies et clustering appliqués à la fraude

  • Stratégies de validation et interprétabilité des modèles (SHAP)

  • IA générative en production : intégration de LLM par API, conception et évaluation de prompts

  • Architectures agentiques et évaluation de LLM

  • Conception d'API et intégration dans un système d'information existant

  • Données géospatiales : GeoPandas, données raster, imagerie satellite Copernicus, SIG

• MLOps et outils

  • MLflow, CI/CD, monitoring de dérive, reproductibilité

  • Databricks, Spark, Git

  • Tests automatisés (pytest) et qualité de code

  • Outillage IA d'assistance au développement

• Méthodologie

  • Cycle POC, prototype, package de transfert, production

  • Revues de code et de modélisation, gestion des décisions d'architecture

  • Leadership technique : au moins 3 ans en rôle de tech lead data science

• Documentaire

  • Dossiers d'architecture, spécifications d'interface, documentation de handover

• Langues

  • Français courant, à l'écrit comme à l'oral

• Savoir-être

  • Posture de transmission : faire monter l'équipe en compétence plutôt que faire à sa place

  • Capacité à défendre un choix technique devant des interlocuteurs métier et SI

  • Pédagogie auprès de profils juniors, autonomie dans un portefeuille multi-projets

1. Expérience d'au moins 3 ans en rôle de tech lead data science
2. Connaissance du secteur Assurance IARD et santé : sinistres, fraude, événements climatiques
3. Expérience en mise en production de modèles de machine learning dans un grand compte
4. Maîtrise du cadre réglementaire : AI Act, RGPD, documentation de conformité des modèles
5. Compétences avancées en ingénierie Python : packaging, gestion de dépendances, typage
6. Maîtrise du machine learning supervisé : gradient boosting, régression quantile
7. Maîtrise du machine learning non supervisé : détection d'anomalies, clustering appliqués à la fraude
8. Connaissance des stratégies de validation et interprétabilité des modèles (SHAP)
9. Expérience avec IA générative en production : intégration de LLM par API, conception et évaluation de prompts
10. Connaissance des architectures agentiques et évaluation de LLM
11. Compétences en conception d'API et intégration dans un système d'information existant
12. Expérience avec les données géospatiales : GeoPandas, données raster, imagerie satellite Copernicus, SIG
13. Maîtrise des outils MLOps : MLflow, CI/CD, monitoring de dérive, reproductibilité
14. Connaissance de Databricks, Spark, Git
15. Pratique des tests automatisés (pytest) et qualité de code
16. Expérience avec l'outillage IA d'assistance au développement
17. Maîtrise des méthodologies : cycle POC, prototype, package de transfert, production
18. Expérience en revues de code et de modélisation, gestion des décisions d'architecture
19. Capacité de leadership technique et posture de transmission pour faire monter l'équipe en compétence
20. Capacité à défendre un choix technique devant des interlocuteurs métier et SI
21. Pédagogie auprès de profils juniors, autonomie dans un portefeuille multi-projets
22. Français courant, à l'écrit comme à l'oral