<br/> Dans le cadre de la typologie IT-T ? Data Scientist, les missions génériques associées incluent :<br/> <br/> - Établir des scénarios permettant de comprendre et d?anticiper de futurs leviers métiers ou opérationnels pour l?entreprise.<br/> - Réaliser tout le cycle de valorisation de la donnée :<br/> ? Choix et collecte des données.<br/> ? Analyse de la qualité des données et redressement.<br/> ? Préparation des données.<br/> ? Valorisation spécifique à la Data Science (analyse prédictive voire prescriptive, mise en place d?algorithmes d?apprentissage automatique ou profond, conception de data visualizations dynamiques, data storytelling, etc.).<br/> - Appliquer des techniques statistiques, de text mining, d?analyse comportementale, de géolocalisation, etc., pour l?extraction et l?analyse d?informations issues de gisements de données (Big Data).<br/> - Obtenir des données adéquates et trouver les sources de données pertinentes :<br/> ? Recommandations sur les bases de données à consolider, modifier, rapatrier, externaliser, internaliser.<br/> ? Conception de datamarts et potentiellement d?entrepôts de données (data warehouses).<br/> - Évaluer la qualité et la richesse des données :<br/> ? Rassembler les données, les modéliser et en vérifier la véracité.<br/> - Analyser les résultats et les intégrer dans le système d?information cible du métier.<br/> - Traduire une problématique métier en problème mathématique/statistique et réciproquement.<br/> - Comparer et évaluer différents modèles ou méthodes de calcul, en anticipant les avantages et inconvénients dans un environnement métier donné.<br/> <br/> <br/> 2. Périmètre fonctionnel et responsabilités principales<br/> <br/> 2.1. Credit Risk Scoring<br/> <br/> - Pour les équipes Risque / Validation :<br/> ? Concevoir et optimiser les scores d?octroi et de comportement en explorant des approches innovantes.<br/> ? Garantir la stabilité du coût du risque en entraînant et déployant ces solutions, et en assurant le monitoring de la dérive des modèles.<br/> ? Travailler en étroite collaboration avec les experts métiers et les équipes Risque.<br/> <br/> 2.2. AI Solutions (IA appliquée aux parcours clients)<br/> <br/> - Optimiser l?expérience client en intégrant les modèles d?IA en temps réel sous forme d?API dans les parcours digitaux (scoring temps réel, personnalisation des offres de paiement, etc.).<br/> - Participer à l?architecture technique pour une intégration fluide des modèles, en suivant les meilleures pratiques de développement (Cloud, MLOps).<br/> - Collaborer avec les équipes Produit et IT pour industrialiser les solutions (mise en production, supervision, conformité aux standards de l?entreprise).<br/> <br/> 2.3. GenAI (IA générative et agents)<br/> <br/> - Prototyper et déployer en production des solutions d?IA générative sous forme d?agents (LLM, RAG, etc.) pour :<br/> ? Transformer les processus internes (Marketing, Audit, Risque, ?).<br/> ? Améliorer la relation et le support client.<br/> - Mettre en place des architectures « agentic » pour :<br/> ? Automatiser l?octroi d?offres de crédit (Risque).<br/> ? Automatiser des tâches complexes d?analyse documentaire.<br/> ? Faciliter l?interaction avec les clients.<br/> - Évaluer, optimiser et monitorer les performances des agents (cohérence, diversité, usage de LLM as a Judge, etc.).<br/> <br/> <br/> <br/> <br/> <br/> 3. Expertises techniques recherchées<br/> <br/> 3.1. Data Science & Machine Learning<br/> <br/> - Solide expérience en modèles supervisés :<br/> ? Régression logistique.<br/> ? Modèles à arbres de décision.<br/> ? Modèles de Gradient Boosting (XGBoost / LightGBM).<br/> - Connaissance et mise en ?uvre d?approches explicables (SHAP, LIME, explainable AI) pour l?interprétabilité des modèles, notamment dans un contexte de risque.<br/> - Pratique des modèles génératifs et des LLM :<br/> ? Utilisation de frameworks et API de LLM (OpenAI, HuggingFace, fine-tuning, etc.).<br/> <br/> 3.2. Écosystème Data Engineering & MLOps<br/> <br/> - Excellente maîtrise du langage Python et de l?écosystème ML :<br/> ? Pandas, Scikit-learn.<br/> ? MLflow.<br/> ? Pydantic.<br/> ? LangChain, LangGraph.<br/> ? FastAPI.<br/> - Bonnes pratiques de développement :<br/> ? Packaging, CI/CD, tests (pytest), feature stores.<br/> - Mise en production de modèles :<br/> ? Déploiement de modèles sous forme d?API.<br/> ? Mise en place de pipelines automatisés (MLflow, GitHub Actions, Kubernetes, Docker).<br/> - Monitoring et fiabilité :<br/> ? Suivi de la qualité des données, des performances et des métriques d?évaluation.<br/> ? Back testing.<br/> ? Suivi de la dérive de données / concept drift.<br/> ? Évaluation de systèmes RAG (RAGAS) et approches de type LLM as a Judge.<br/> <br/> 3.3. Outils & Cloud<br/> <br/> - Environnement Cloud et data :<br/> ? Azure (dont Azure ML, Foundry).<br/> ? Databricks.<br/> ? pySpark.<br/> - Outils collaboratifs et de gestion de code :<br/> ? Confluence, JIRA.<br/> ? Bitbucket, GitLab, Az...