Job Specifications
Credit Risk Scoring
Pour les équipes Risque / Validation, concevoir et optimiser les scores d'octroi et de comportement, en explorant des approches innovantes
Pour garantir la stabilité du coût du Risque, entrainer et déployer ces solutions, et assurer le monitoring de la dérive des modèles
Travailler en collaboration étroite avec les experts Métiers et les équipes Risque
AI Solutions
Optimiser l'expérience client en intégrant nos modèles d’IA en temps réel sous forme d’API dans nos parcours Digitaux (scoring temps réel, personnalisation des offres de paiement …)
Pour une intégration fluide des modèles, participer à l’architecture technique en suivants les meilleures pratiques de développement (Cloud, MLOps)
Collaborer avec les équipes produit et IT pour industrialiser les solutions
GenAI
Pour transformer nos processus internes (Marketing, Audit, Risque, …) ainsi que la relation et le support Client, prototyper et déployer en Production des solutions d’IA Générative sous forme d’agents (LLM, RAG, …)
Pour automatiser l’octroi d’offre de crédit (Risque), des tâches complexes d'analyse documentaire, et faciliter l’interaction avec nos clients, mettre en place des architectures agentics
Évaluer, optimiser et monitorer les performances des agents (cohérence, diversité, LLM as a Judge, …)
L’attendu est prioritairement un excellent niveau en Machine Learning traditionnel, idéalement la maîtrise du risque de crédit, avec des capacités à évoluer vers des missions IA plus générales, jusque l’IA générative.
Profil candidat:
Data Science & ML
Solide expérience en modèles supervisés : Logistic Regression, Tree-based models, Gradient Boosting (XGBoost / LightGBM)
Connaissances et application des approches explicables (SHAP/LIME, explainaible AI)
Pratique des modèles génératifs & LLM (OpenAI, HuggingFace, fine-tuning)
Écosystème Data Engineering & MLOps
Excellente maîtrise du langage Python et de l’écosystème 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: data quality, performance, métriques d’évaluation, Back Testing, data / concept drift, RAGAS, LLM as a Judge
Outils & Cloud
Azure (Azure ML, Foundry), Databricks, pySpark
Confluence, JIRA, Bitbucket, GitLab, AzureDevOps
Une connaissance technique de Snowflake et des enjeux bancaires réglementaire serait un plus (scoring, réglementation)