🧩 𝐃𝐚𝐭𝐚 𝐒𝐜𝐢𝐞𝐧𝐭𝐢𝐬𝐭 / 𝐌𝐋 𝐄𝐧𝐠𝐢𝐧𝐞𝐞𝐫 𝐂𝐨𝐧𝐟𝐢𝐫𝐦é - Freelance

Taux journalier (TJM): 💶 Budget : 500 - 600 € HT/J max (selon séniorité)

🧩 𝐃𝐚𝐭𝐚 𝐒𝐜𝐢𝐞𝐧𝐭𝐢𝐬𝐭 / 𝐌𝐋 𝐄𝐧𝐠𝐢𝐧𝐞𝐞𝐫 𝐂𝐨𝐧𝐟𝐢𝐫𝐦é – 𝐈𝐀, 𝐒𝐜𝐨𝐫𝐢𝐧𝐠 & 𝐆𝐞𝐧𝐀𝐈

🗂️ Informations pratiques

📍 Département : Paris (75)
🗓️ Démarrage : 16/03/2026
⏳ Durée : 12 mois, reconductible
🧾 Contrat : CDI ou freelance
💶 Budget : 500 - 600 € HT/J max (selon séniorité)
🧑‍💻 Télétravail : 2 à 3 jours/semaine
🚄 Déplacements : Lille (59) – 1 jour/mois
🧠 Séniorité : Confirmé (6–9 ans)
👤 Poste ouvert : 1
🌍 Secteur : Banque / Services financiers – Crédit & Paiement

🧩 Contexte

Dans le cadre de l’accélération de sa feuille de route IA, un acteur majeur des services financiers renforce son pôle Data Innovation & AI afin d’industrialiser des solutions de Machine Learning, Deep Learning, NLP et IA Générative.

L’objectif : exploiter la donnée pour optimiser les processus opérationnels, améliorer la maîtrise du Risque, et enrichir l’expérience client à travers des parcours digitaux augmentés par l’IA.

🎯 Missions principales

Credit Risk Scoring

• Concevoir et optimiser des scores d’octroi et comportementaux

• Explorer des approches innovantes pour garantir la stabilité du coût du risque

• Entraîner, déployer et monitorer les modèles (drift, performance, backtesting)

• Collaborer étroitement avec les équipes Risque / Validation et experts métiers

Industrialisation de solutions IA

• Intégrer des modèles temps réel sous forme d’API dans les parcours digitaux (scoring instantané, personnalisation d’offres)

• Participer aux choix d’architecture technique (Cloud, MLOps, bonnes pratiques)

• Travailler avec les équipes Produit & IT pour l’industrialisation et le passage à l’échelle

IA Générative & Approches Agentic

• Prototyper et déployer en production des solutions LLM / RAG / agents

• Mettre en place des architectures agentiques pour automatiser l’analyse documentaire et certains processus Risque

• Évaluer et monitorer les performances des agents (cohérence, diversité, LLM as a Judge, RAGAS)

L’attendu principal porte sur un niveau solide en Machine Learning et IA Générative / Agentic avec capacité d’industrialisation.

🛠️ Environnement technique

Data Science & Machine Learning

• Modèles supervisés : Logistic Regression, Tree-based models, XGBoost, LightGBM

• Explainable AI : SHAP, LIME

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

Data Engineering & MLOps

• Python & écosystème ML : Pandas, Scikit-learn, MLflow, Pydantic, LangChain, LangGraph, FastAPI

• CI/CD, packaging, tests (pytest), feature stores

• Déploiement via MLflow, GitHub Actions, Kubernetes, Docker

• Monitoring : data quality, drift (data & concept), backtesting, RAGAS

Cloud & Outils

• Azure (Azure ML), Databricks, PySpark

• Confluence, JIRA, Bitbucket, GitLab, Azure DevOps

• Snowflake (apprécié)

• Connaissance des enjeux réglementaires bancaires (scoring, conformité) appréciée

👤 Profil recherché

• 6 à 9 ans d’expérience en Data Science

• Parcours mixte : modélisation avancée + mise en production / MLOps

• Capacité à discuter aussi bien algorithmes ML qu’architecture SI

• Expérience en environnement bancaire ou fortement réglementé appréciée

• À l’aise avec des interlocuteurs multiples : Risque, Paiement, Digital, Fraud, Conformité

• Goût pour le delivery, l’expérimentation et les environnements à fort impact métier

• Forte appétence pour l’IA Générative et les architectures agentiques