Descriptif du poste:\n\nCITECH recrute ! \nCITECH est une ESN à taille humaine spécialisée dans l'accompagnement de projets IT à forte valeur ajoutée.\nNous intervenons sur des environnements technologiques exigeants, allant du développement logiciel à la Data, au Cloud et à l'Intelligence Artificielle.\nNos consultants participent à des projets stratégiques associant innovation, expertise technique et enjeux métiers.\nNous accordons une attention particulière à la proximité avec nos équipes, à la qualité des missions proposées et au développement des compétences.\nDescription du poste\nVous souhaitez travailler à la frontière entre recherche appliquée, Machine Learning et ingénierie logicielle ?\nNous recherchons un(e) Machine Learning Research Engineer / Applied Scientist pour contribuer à l'évolution d'un framework agentique destiné à automatiser et fiabiliser des travaux de recherche et d'expérimentation en Machine Learning.\nVous travaillerez principalement sur deux problématiques : prévision de séries temporelles enrichie par des événements et détection prédictive de pannes à partir de données IoT.\nDescription du poste\nVos missions\n* Concevoir des protocoles expérimentaux permettant d'évaluer rigoureusement différentes approches de Machine Learning.\n* Développer et faire évoluer des composants dédiés au forecasting et aux données IoT.\n* Modéliser l'influence d'événements externes sur des séries temporelles.\n* Construire et comparer différents scénarios de prévision.\n* Développer des approches de détection d'anomalies et de signaux précurseurs de panne.\n* Explorer des méthodes supervisées, non supervisées, Deep Learning et analyse de survie.\n* Garantir l'absence de fuite temporelle dans les expérimentations.\n* Construire des baselines et réaliser des évaluations rétrospectives et études d'ablation.\n* Mesurer la robustesse et la capacité de généralisation des modèles.\n* Développer un code Python robuste, testé, documenté et facilement intégrable.\n* Assurer la reproductibilité et la traçabilité des expérimentations.\n* Présenter les résultats et recommandations aux équipes techniques et métier.\n* Accompagner le transfert de connaissances vers les équipes internes.\n Environnement technique\nLes technologies et domaines explicitement présents dans le besoin sont :\n* Python\n* Machine Learning\n* Deep Learning\n* Time Series / séries temporelles\n* Anomaly Detection\n* Predictive Maintenance\n* Survival Analysis\n* Architectures agentiques / Multi-Agent Systems\n* Dataiku\n* MLOps\n* Cloud\n* IoT\n\nProfil recherché:\n\n Vous êtes diplômé(e) d'un Bac+5 en informatique, mathématiques appliquées, Data Science ou domaine connexe. Un doctorat constitue un atout important.\n Vous disposez d'une expérience pertinente, avec une expérience significative en recherche appliquée en Machine Learning.\nVous maîtrisez particulièrement :\n* Python et au moins un framework majeur de ML ou Deep Learning ;\n* la modélisation et l'évaluation de séries temporelles ;\n* la détection d'anomalies ;\n* les problématiques de maintenance prédictive ;\n* la conception de protocoles expérimentaux ;\n* les méthodes de validation temporelle ;\n* le développement de code robuste, testé et documenté.\nUne expérience des systèmes agentiques ou multi-agents appliqués au Machine Learning sera particulièrement appréciée.\nUne connaissance de Dataiku, du MLOps, du Cloud ou une expérience de publication scientifique / transfert technologique constituera également un plus.\nVous savez enfin vulgariser et présenter des problématiques scientifiques complexes auprès d'interlocuteurs techniques comme métier.\n Les + du poste\n Un sujet à forte dimension R&D / recherche appliquée\n Des problématiques avancées de Machine Learning et Deep Learning\n Des travaux sur les séries temporelles et l'IoT\n Une dimension IA agentique / multi-agents\n Un équilibre entre recherche, expérimentation et développement\n Des enjeux concrets de maintenance prédictive\n Une forte exigence scientifique autour de la reproductibilité des résultats\n Un transfert direct des travaux vers les équipes internes