Nous recherchons un Data Scientist pour accompagner un acteur majeur du secteur industriel dans le déploiement d'une solution de maintenance prédictive, au sein d'un environnement technique hybride combinant infrastructure on-premise et cloud Databricks (Azure). La mission s'inscrit dans un projet d'étude structuré en plusieurs phases, mené dans un contexte Agile, avec des livrables attendus à chaque jalon. L'objectif est de concevoir et d'industrialiser des modèles d'analyse permettant de détecter, diagnostiquer et anticiper les pannes d'équipements industriels, en s'appuyant à la fois sur des données réelles collectées en service et sur des données simulées de dégradation. Le projet implique une collaboration étroite avec des équipes Data Engineering et des experts métier maintenance, dans une logique de co-construction et de montée en maturité analytique progressive. Responsabilités : - Réaliser l'exploration et la caractérisation des données (signaux bruts, indicateurs, tendances) à l'aide d'un outil dédié restituant l'identité graphique de chaque type de panne - Conduire la sélection de features discriminantes permettant de distinguer un équipement sain d'un équipement défaillant, à partir de données en service et de données simulées - Développer et évaluer des modèles de diagnostic couvrant les différents modes de panne identifiés - Concevoir des modèles de pronostic (trajectoires de descripteurs, prédiction de pannes) en mobilisant des approches de machine learning supervisé et non supervisé - Participer à la mise en ?uvre des pipelines de données et à leur orchestration (Airflow, Azure Data Factory, Databricks Jobs) - Contribuer aux pratiques MLOps : versionnement des modèles, suivi des expérimentations et gestion du cycle de vie via MLflow - Produire des restitutions claires et exploitables à destination des équipes métier, via des outils de visualisation adaptés (PowerBI, Dash, RShiny) - Collaborer avec les Data Engineers sur les aspects de gestion de la donnée, de gouvernance et d'environnement de développement partagé