Taux journalier (TJM): 600

Descriptif détaillé du besoin

Dans le cadre de l’accélération de sa feuille de route IA, notre client renforce son équipe Data & AI afin de développer et industrialiser des solutions de Machine Learning et d’IA avancée à forte valeur métier.

L’objectif est de valoriser les données à grande échelle, optimiser les processus opérationnels et améliorer l’expérience client grâce à des modèles prédictifs, des solutions d’IA temps réel et des approches d’IA générative.

Le consultant interviendra à la fois sur des cas d’usage stratégiques autour du risque de crédit et sur la mise en production de solutions d’IA modernes dans un environnement cloud et MLOps mature.

Credit Risk Scoring

• Concevoir et optimiser des modèles de scoring d’octroi et de comportement

• Explorer des approches avancées de modélisation pour améliorer la prédiction du risque

• Assurer l’entraînement, le déploiement et le monitoring des modèles (stabilité, dérive, performance)

• Collaborer étroitement avec les équipes Risque et Validation

AI Solutions

• Déployer des modèles d’IA en temps réel sous forme d’API intégrées dans les parcours digitaux

• Contribuer à l’architecture technique et aux bonnes pratiques MLOps et Cloud

• Industrialiser les modèles en collaboration avec les équipes Produit et IT

IA Générative

• Prototyper et déployer des solutions d’IA générative (LLM, RAG, agents) pour transformer les processus internes

• Automatiser certaines tâches complexes (analyse documentaire, support client, workflows métier)

• Évaluer et monitorer la performance des agents (cohérence, pertinence, LLM-as-a-Judge, RAG evaluation)

Le poste requiert une forte expertise en Machine Learning traditionnel, idéalement appliquée au risque de crédit, avec la capacité d’évoluer vers des problématiques plus larges d’IA et d’IA générative.

Expertises recherchées

Data Science & Machine Learning

• Excellente maîtrise des modèles supervisés :

  • Logistic Regression

  • Tree-based models

  • Gradient Boosting (XGBoost, LightGBM)

• Expérience en explicabilité des modèles (Explainable AI) : SHAP, LIME

• Connaissances des LLM et modèles génératifs (OpenAI, HuggingFace, fine-tuning)

Data Engineering & MLOps

• Très bonne maîtrise de Python et de l’écosystème ML :
  Pandas, Scikit-learn, MLflow, Pydantic, FastAPI

• Expérience avec les frameworks LangChain / LangGraph

• Packaging, tests automatisés (pytest), CI/CD

• Déploiement de modèles via API et pipelines automatisés

• Environnements conteneurisés : Docker, Kubernetes

• Monitoring de modèles : data quality, métriques, backtesting, data drift, concept drift

• Évaluation des systèmes RAG (RAGAS, LLM-as-a-Judge)

Outils & Cloud

• Azure (Azure ML, Foundry)

• Databricks

• PySpark

• Outils collaboratifs : Git, Bitbucket, GitLab, Azure DevOps, Jira, Confluence

Une connaissance de Snowflake et des enjeux réglementaires bancaires (scoring, conformité) constitue un plus.