Contexte de la mission

Dans le cadre de sa feuille de route IA, Oney accélère l’intégration du Machine Learning, du Deep Learning, du NLP et de l’IA Générative afin d’optimiser l’exploitation de la donnée, améliorer les processus opérationnels et enrichir l’expérience client.

Au sein des équipes Data & IA, la mission consiste à concevoir, industrialiser et monitorer des modèles de Machine Learning, principalement autour des problématiques de risque de crédit, tout en contribuant progressivement au développement de solutions d’IA générative et d’agents intelligents.

La priorité de la mission porte sur une expertise avancée en Machine Learning traditionnel appliqué au scoring, avec une forte dimension industrialisation et MLOps.

Missions

1️⃣ Credit Risk Scoring

• Concevoir et améliorer des modèles de scoring d’octroi et de comportement (crédit).

• Développer des modèles prédictifs afin de maîtriser et stabiliser le coût du risque.

• Implémenter des méthodes d’explainable AI pour l’interprétabilité des modèles.

• Mettre en place des mécanismes de monitoring des modèles :

  • dérive de données (data drift)

  • dérive de concept (concept drift)

  • performance des modèles

• Collaborer étroitement avec les équipes Risque, Validation et Métiers.

2️⃣ Industrialisation des modèles et AI Solutions

• Industrialiser les modèles de ML dans les parcours digitaux via API temps réel.

• Concevoir des pipelines ML robustes et automatisés.

• Contribuer aux bonnes pratiques MLOps et architecture data.

• Participer à l’intégration des modèles dans l’écosystème technique de l’entreprise.

• Collaborer avec les équipes IT, produit et data engineering pour assurer la mise en production.

3️⃣ Développement de solutions GenAI

• Prototyper et déployer des solutions d’IA générative pour transformer certains processus internes.

• Développer des architectures RAG et agents IA pour :

  • l’analyse documentaire

  • l’automatisation de tâches métier

  • l’assistance client

• Mettre en place des frameworks d’évaluation des agents :

  • cohérence

  • diversité

  • LLM as a Judge

  • métriques RAG

Responsabilités principales

• Réaliser l’ensemble du cycle de valorisation de la donnée :

  • collecte

  • analyse de qualité

  • préparation

  • modélisation

  • déploiement

• Traduire des problématiques métier en problèmes statistiques ou ML.

• Comparer et évaluer différents modèles et approches algorithmiques.

• Participer à la conception de datamarts et pipelines data.

• Produire des analyses exploitables pour les équipes métier.

• Contribuer au data storytelling et à la visualisation des résultats.

Stack technique

Data Science & Machine Learning

• Python

• Pandas

• Scikit-learn

• XGBoost / LightGBM

• Explainable AI : SHAP, LIME

• LLM : OpenAI, HuggingFace

MLOps & Engineering

• MLflow

• FastAPI

• LangChain / LangGraph

• Pydantic

• Docker

• Kubernetes

• GitHub Actions

• CI/CD

• Pytest

• Feature stores

Data & Cloud

• Azure (Azure ML, Foundry)

• Databricks

• PySpark

• Snowflake (bonus)

Outils collaboratifs

• Confluence

• Jira

• Bitbucket

• GitLab

• Azure DevOps