Job Specifications
Contexte du poste :
Un acteur bancaire souhaite renforcer sa stratégie d’Intelligence Artificielle en développant des solutions avancées de Machine Learning, Deep Learning, NLP et IA Générative. L’objectif est de valoriser les données, optimiser les processus internes et améliorer l’expérience client grâce à des modèles robustes, explicables et industrialisés.
Missions principales :1. Modélisation Risque & Scoring
Concevoir, optimiser et challenger les modèles de scoring d’octroi et de comportement.
Explorer des approches innovantes pour améliorer la performance et la stabilité des modèles.
Déployer les modèles en production et assurer leur monitoring (dérive, performance, stabilité).
Travailler en étroite collaboration avec les équipes Risque, Validation et les experts métier.
2. Développement de Solutions IA
Intégrer les modèles ML/AI en temps réel dans les parcours digitaux (scoring instantané, personnalisation des offres…).
Participer à la conception de l’architecture technique (Cloud, MLOps, API, pipelines).
Collaborer avec les équipes IT et Produit pour industrialiser les solutions et garantir leur scalabilité.
3. IA Générative & Agents
Prototyper et déployer des solutions d’IA Générative (LLM, RAG, agents intelligents) pour transformer les processus internes (Marketing, Audit, Risque, Support…).
Mettre en place des architectures agentiques pour automatiser des tâches complexes : analyse documentaire, octroi de crédit, interaction client.
Évaluer et monitorer les performances des agents (cohérence, diversité, RAGAS, LLM-as-a-Judge…).
Profil candidat:
Compétences techniques recherchées : Machine Learning & Data Science
Maîtrise des modèles supervisés : régression logistique, modèles arborescents, Gradient Boosting (XGBoost, LightGBM).
Connaissance des approches explicables (SHAP, LIME, Explainable AI).
Pratique des modèles génératifs et LLM (OpenAI, HuggingFace, fine‑tuning).
Python & Écosystème MLOps
Excellente maîtrise de Python et des librairies ML : Pandas, Scikit‑learn, MLflow, Pydantic, LangChain, LangGraph, FastAPI.
Packaging, CI/CD, tests (pytest), feature stores.
Déploiement de modèles sous forme d’API et pipelines automatisés (MLflow, GitHub Actions, Kubernetes, Docker).
Monitoring avancé : data quality, dérive, back‑testing, métriques d’évaluation, RAGAS, LLM-as-a-Judge.
Cloud & Outils
Expérience avec Azure (Azure ML, Foundry), Databricks, PySpark.
Pratique des outils collaboratifs : Confluence, JIRA, GitLab, Bitbucket, Azure DevOps.
Connaissance de Snowflake appréciée.
Compréhension des enjeux réglementaires bancaires (scoring, conformité, audit).
Profil recherché :
5 à 7 ans d’expérience en Data Science, avec une forte dimension mise en production / MLOps.
Capacité à intervenir aussi bien sur la modélisation ML que sur l’architecture SI.
Expérience dans le secteur bancaire ou financier fortement appréciée.
Aisance dans l’interaction avec des métiers variés : Risque, Paiement, Digital, Fraude, Conformité…
Goût pour l’expérimentation, le delivery et les environnements où l’IA a un impact direct sur l’expérience client.
Intérêt marqué pour l’IA Générative et les approches agentiques.