Expert en science de données

Voici un bref aperçu des tâches et des responsabilités : 

• Concevoir l'architecture analytique de solutions complexes en intelligence artificielle et en science des données ;

• Diriger le développement, la validation, l'industrialisation et l'amélioration continue de modèles d'apprentissage automatique à haute valeur d'affaires ;

• Concevoir et développer des modèles avancés de séries temporelles et de prévision (forecasting) dans des contextes complexes et à grande échelle ;

• Développer et mettre en œuvre des solutions d'apprentissage par renforcement (Reinforcement Learning) adaptées à des problématiques d'optimisation, de contrôle ou de prise de décision ;

• Agir comme expert-conseil auprès des clients afin d'identifier les meilleures approches analytiques selon leurs objectifs d'affaires ;

• Définir les orientations techniques, les standards de qualité et les meilleures pratiques en science des données, modélisation quantitative, MLOps et intelligence artificielle ;

• Superviser le cycle de vie complet des modèles : exploration des données, expérimentation, entraînement, validation, déploiement, monitoring et amélioration continue ;

• Collaborer avec les architectes, ingénieurs de données et experts métier afin d'assurer une intégration robuste des solutions développées ;

• Effectuer des revues techniques, assurer la qualité scientifique des livrables et accompagner les équipes lors des mandats présentant les plus hauts niveaux de complexité;

• Encadrer et mentorer les scientifiques de données afin de favoriser leur développement professionnel et le partage des connaissances ;

• Participer aux activités d'innovation, de recherche appliquée et de veille technologique afin d'intégrer les avancées pertinentes en intelligence artificielle;

• Contribuer aux activités de développement des affaires, aux propositions techniques et aux recommandations stratégiques destinées aux clients ;

• Vulgariser les résultats auprès d'auditoires techniques et exécutifs.

• Détenir un diplôme universitaire de 1er cycle en mathématiques, en statistique, en science actuarielle, en recherche opérationnelle, en informatique, en génie logiciel, en physique ou dans un domaine quantitatif connexe (obligatoire) ;
• Posséder plus de dix (10) ans d'expérience en science des données, en apprentissage automatique ou en intelligence artificielle ;
• Démontrer une expertise avancée en modélisation de séries temporelles, en prévision (forecasting) et en analyse de données temporelles (obligatoire) ;
• Avoir une expertise avancée en modélisation statistique, en probabilités, en méthodes quantitatives et en optimisation mathématique ;
• Posséder une solide expérience dans le développement de modèles d'apprentissage automatique en environnement de production ;
• Avoir une expérience avec les environnements MLOps (CI/CD, MLflow, DVC, orchestration, surveillance des modèles et reproductibilité) ;
• Posséder une expérience avec les plateformes infonuagiques (Azure, AWS ou GCP) appliquées aux solutions d'intelligence artificielle ;
• Avoir une expérience avec les bases de données relationnelles et non relationnelles ;
• Maîtriser les principaux algorithmes d'apprentissage supervisé, non supervisé et profond (Deep Learning) ;
• Démontrer une bonne compréhension des architectures de données modernes (Data Lake, Lakehouse et pipelines de données) ;
• Maîtriser Python ainsi que les principaux frameworks d'apprentissage automatique ;
• Être en mesure de concevoir et de développer des solutions robustes, performantes et évolutives.
• Détenir une formation en science actuarielle (atout important) ;
• Avoir une maîtrise en statistique, en mathématiques, en science actuarielle, en intelligence artificielle, en apprentissage automatique ou dans un autre domaine quantitatif (atout important) ; un doctorat constitue également un atout ;
• Démontrer une expertise avancée en apprentissage par renforcement (Reinforcement Learning) appliqué à des problématiques réelles un atout ;
• Avoir une expérience dans le secteur de l'énergie, du trading ou de la finance quantitative un atout ;
• Connaître les modèles génératifs (LLM, IA générative et systèmes agentiques) un atout ;
• Maîtriser les méthodes d'optimisation mathématique, la recherche opérationnelle ou les modèles de décision à un niveau avancé un atout ;
• Appliquer les méthodologies Agile dans un contexte professionnel un atout ;
• Utiliser Dataiku dans un contexte de développement ou de déploiement de solutions analytiques un atout.