Taux journalier (TJM): TJM 600 €

6 à 9 ans d’expérience
Mission longue durée – Démarrage mi-mars 2026
Localisation : Paris (2 jours de télétravail/semaine)
Déplacements ponctuels : 1 jour/mois en région

🎯 Contexte & Enjeux

Dans le cadre d’une feuille de route stratégique orientée Intelligence Artificielle, l’organisation accélère l’intégration du Machine Learning avancé, du Deep Learning, du NLP et des architectures d’IA Générative (LLM, RAG, Agents).

L’objectif :

• Exploiter pleinement les données pour améliorer la performance métier

• Industrialiser les modèles en production

• Optimiser l’expérience client via des solutions IA temps réel

• Transformer les processus internes grâce à des agents autonomes

Vous interviendrez au sein d’un pôle Data Science & AI Innovation en forte dynamique produit et delivery.

🧠 Missions

1️⃣ Credit Risk Scoring

• Concevoir et optimiser des modèles de scoring (octroi & comportement)

• Explorer des approches avancées et innovantes

• Entraîner, déployer et monitorer les modèles (stabilité, dérive, coût du risque)

• Collaborer étroitement avec les équipes Risque et Validation

2️⃣ AI Solutions temps réel

• Intégrer des modèles IA en API temps réel dans des parcours digitaux

• Participer aux choix d’architecture technique (Cloud & MLOps)

• Industrialiser les modèles (CI/CD, packaging, monitoring)

• Travailler avec les équipes Produit et IT en environnement agile

3️⃣ IA Générative & Architectures Agentic

• Concevoir et déployer des solutions GenAI en production (LLM, RAG, agents)

• Mettre en place des architectures agentiques pour :

  • Analyse documentaire automatisée

  • Aide à la décision

  • Support client intelligent

• Mettre en place des métriques d’évaluation avancées :

  • Cohérence

  • Diversité

  • RAGAS

  • LLM-as-a-Judge

• Optimiser performance, coût et robustesse des agents

👉 L’expertise en Machine Learning + GenAI/Agentic AI est centrale.

🛠️ Environnement Technique

Data Science & ML

• Modèles supervisés :

  • Logistic Regression

  • Tree-based models

  • Gradient Boosting (XGBoost, LightGBM)

• Explainability : SHAP, LIME, XAI

• LLM & modèles génératifs : OpenAI, HuggingFace, fine-tuning

Écosystème Engineering & MLOps

• Python & stack ML : Pandas, Scikit-learn, MLflow

• Frameworks GenAI : LangChain, LangGraph, Pydantic

• API & services : FastAPI

• CI/CD, packaging, tests (pytest)

• Docker, Kubernetes

• Feature Stores

• Monitoring :

  • Data quality

  • Backtesting

  • Data & concept drift

  • Observabilité LLM

Cloud & Data Platform

• Azure (Azure ML, Foundry / Agent Framework)

• Databricks (PySpark)

• GitLab, Bitbucket, Azure DevOps

• Outils collaboratifs : Jira, Confluence

👉 Une connaissance de Snowflake et des environnements réglementés est un plus.

👤 Profil recherché

Vous justifiez de 6 à 9 ans d’expérience, avec :

• Un parcours hybride Data Science + industrialisation

• ≥ 5 ans sur projets IA (ML & GenAI)

• ≥ 2 ans sur projets GenAI en production

• Expérience concrète en mise en production de :

  • LLM

  • RAG

  • Agents autonomes

• Solide pratique Azure (au-delà d’Azure OpenAI)

Vous êtes :

• À l’aise autant en modélisation qu’en architecture SI

• Habitué à travailler avec des équipes métiers variées (Risque, Paiement, Digital, Conformité, Fraud…)

• Orienté delivery & impact business

• Curieux, structuré et rigoureux sur les pratiques MLOps

• Sensible à l’industrialisation et à l’observabilité des systèmes IA

🌍 Langue

Français courant requis.