🧩 Data Scientist / Machine Learning Engineer (IA & GenAI – Banque) - Freelance

Taux journalier (TJM): 🧾 rémunération selon profil (CDI ou freelance)

🧩 Data Scientist / Machine Learning Engineer (IA & GenAI – Banque)

📍 Département : Paris (75)
🗓️ Démarrage : 06/04/2026
⏳ Durée : 12 mois, reconductible
🧾 Contrat : CDI ou freelance
🧑‍💻 Télétravail : 2 à 3 jours/semaine
🧠 Séniorité : + 5 ans XP
👤 Poste ouvert : 1
🌍 Secteur : Banque / Paiement – IA & Data

🧩 Contexte

Dans le cadre d’une stratégie ambitieuse autour de l’Intelligence Artificielle, un acteur majeur du paiement accélère l’intégration de solutions de Machine Learning, Deep Learning, NLP et IA Générative.

Les enjeux sont multiples :

• Valorisation des données

• Optimisation des processus opérationnels

• Amélioration de l’expérience client

• Déploiement de solutions IA à l’échelle

La mission s’inscrit dans un environnement data moderne, orienté production et impact business.

🎯 Missions principales

• Concevoir, développer et déployer des modèles de Machine Learning

• Travailler sur des cas d’usage variés : scoring, fraude, expérience client

• Mettre en place des solutions IA Générative / LLM (fine-tuning, RAG, agents)

• Industrialiser les modèles via des pratiques MLOps

• Déployer les modèles sous forme d’API et pipelines automatisés

• Mettre en place des dispositifs de monitoring (performance, drift, qualité des données)

• Collaborer avec les équipes métiers (Risque, Paiement, Fraud, Digital…)

• Participer à la définition de l’architecture data & ML

• Contribuer à l’amélioration continue des modèles et des pipelines

🛠️ Environnement technique

• Langages & ML : Python, Pandas, Scikit-learn, XGBoost, LightGBM

• Explainability : SHAP, LIME

• GenAI / LLM : OpenAI, HuggingFace, LangChain, LangGraph

• MLOps : MLflow, CI/CD, pytest, feature stores

• Déploiement : FastAPI, Docker, Kubernetes, GitHub Actions

• Data & Cloud : Azure (Azure ML), Databricks, PySpark

• Outils : Jira, Confluence, GitLab / Bitbucket / Azure DevOps

• Monitoring : drift, performance, RAGAS, LLM evaluation