Skip to content
Search jobs inside your AI agent. Claude, ChatGPT, Claude Code, Codex, Gemini, Cursor and Grok
Connect

ALTEN

IA Engineer / Data Scientist – Générative AI (H/F)

Posted
Discussion

Description

1. Exploration et Préparation des Données

  • Comprendre les enjeux métiers :
    • Collaborer avec les équipes métiers pour identifier les problématiques (ex : réduction des coûts, amélioration de l’expérience client, détection d’anomalies).
    • Définir des objectifs clairs et mesurables (ex : réduire le taux d’erreur de 20 %, améliorer le taux de conversion de 15 %).
  • Explorer les données :
    • Collecte : Identifier les sources de données pertinentes (bases de données, APIs, fichiers plats, IoT, etc.).
    • Nettoyage : Gérer les valeurs manquantes, les doublons, les incohérences (outils : Pandas, PySpark, OpenRefine).
    • Analyse exploratoire (EDA) :
      • Statistiques descriptives (moyenne, écart-type, distributions).
      • Visualisations (Matplotlib, Seaborn, Plotly, Tableau).
      • Détection d’anomalies et de patterns (outils : Scikit-learn, AutoML).
  • Feature Engineering :
    • Création de nouvelles features (ex : agrégations, encodages, transformations temporelles).
    • Sélection des features pertinentes (méthodes : correlation analysis, feature importance, PCA).
    • Optimisation pour les modèles (normalisation, scaling).

2. Développement de Modèles d’IA

  • Choix des algorithmes :
    • Supervisé :
      • Classification : Random Forest, XGBoost, SVM, Réseaux de Neurones (pour la détection de fraudes, le scoring risque).
      • Régression : Linear Regression, Ridge/Lasso, Neural Networks (pour la prédiction de ventes, la maintenance prédictive).
    • Non supervisé :
      • Clustering : K-Means, DBSCAN, Hierarchical Clustering (pour la segmentation client).
      • Réduction de dimension : PCA, t-SNE, UMAP (pour la visualisation de données complexes).
    • Deep Learning :
      • Computer Vision : CNN (ResNet, YOLO), Vision Transformers (ViT) (pour la reconnaissance d’images, OCR).
      • NLP : Transformers (BERT, RoBERTa), RNN/LSTM (pour les chatbots, l’analyse de sentiments).
      • Séries temporelles : LSTM, Prophet, ARIMA (pour le forecasting).
      • IA Générative : LLMs (GPT, LLaMA), Diffusion Models (Stable Diffusion) (pour la génération de texte ou d’images).
    • Reinforcement Learning :
      • Q-Learning, Deep Q-Networks (DQN), Proximal Policy Optimization (PPO) (pour l’optimisation dynamique).
  • Entraînement des modèles :
    • Préparation des jeux de données : Split train/test/validation, cross-validation.
    • Hyperparamétrage : Grid Search, Random Search, Bayesian Optimization (outils : Optuna, Hyperopt).
    • Évaluation :
      • Métriques : Accuracy, Precision/Recall, F1-score, ROC-AUC (classification) ; RMSE, MAE, R² (régression) ; BLEU, Perplexity (NLP).
      • Validation : A/B testing, backtesting.
  • Optimisation :
    • Performance : Réduction de la latence, optimisation des ressources (quantization, pruning, distillation).
    • Explicabilité : SHAP, LIME, Captum (pour expliquer les décisions des modèles).
    • Biais et équité : Détection et correction des biais (outils : AIF360, Fairlearn).

3. Industrialisation et Déploiement des Modèles

  • MLOps et Déploiement :
    • Versioning : Gestion des versions des modèles et des données (outils : MLflow, DVC, Git).
    • Pipeline CI/CD : Automatisation des tests et déploiements (outils : Jenkins, GitHub Actions, GitLab CI).
    • Déploiement :
      • Cloud : AWS SageMaker, Azure ML, Google Vertex AI.
      • On-premise : Docker, Kubernetes, FastAPI, Flask.
      • Edge : Déploiement sur des appareils IoT (TensorFlow Lite, ONNX Runtime).
    • Monitoring :
      • Suivi des performances (outils : Prometheus, Grafana, Evidently).
      • Détection de la dérive des modèles (data drift, concept drift).
      • Alertes et retraining automatique.
  • Intégration avec les systèmes existants :
    • Collaboration avec les Data Engineers pour intégrer les modèles dans les pipelines de données.
    • Intégration avec les applications métiers (ERP, CRM, plateformes web/mobile).

4. Veille & Innovation

  • Suivre les avancées en IA Générative :
    • Évaluation des nouveaux modèles (ex. : Gemini 1.5, Mistral 8x22B) et des techniques émergentes (agents autonomes, multi-modalité).

  • Formation : Bac+5 en data science, informatique, ou mathématiques appliquées (école d’ingénieur ou master spécialisé en IA/ML).
  • Expérience : 6 ans en développement IA/ML, avec une expertise avérée en :
    • Développement de modèles d’IA (au moins 5 projets complets en production).
    • Expertise dans plusieurs domaines d’application :
      • Computer Vision (ex : reconnaissance d’images, OCR).
      • NLP (ex : chatbots, analyse de sentiments, extraction d’informations).
      • Séries temporelles (ex : maintenance prédictive, forecasting).
      • Recommandation (ex : systèmes de recommandation personnalisés).
      • IA Générative (ex : génération de texte, d’images, ou de code).
    • Expérience en industrialisation :
      • Déploiement de modèles en production (cloud, on-premise, edge).
      • Collaboration avec des équipes MLOps/DevOps.
      • Intégration avec des systèmes métiers (ERP, CRM, etc.).
  • Soft Skills :
    • Esprit d’innovation : Capacité à proposer des solutions créatives tout en respectant les contraintes industrielles.
    • Rigueur : Respect des bonnes pratiques (reproductibilité, documentation, tests).
    • Collaboration : Travail en équipe avec les data engineers, devops, et métiers.
    • Pédagogie : Explication claire des concepts GenAI à des non-experts.
  • Langues : anglais technique.

Skills

What Senior Data Science jobs ask for — and how much of it you have →
Apply

See also

Data Science jobs by country — openings, pay and top skills →