• Donner à un avion un capteur de secours qui n'existe pas. Un réseau de neurones estime la vitesse de l'appareil à partir des pressions mesurées sur les ailerons.

• Voir l'invisible au microscope électronique. Segmentation et détection de particules en 3D sur des tomogrammes biologiques très bruités, aux côtés d'une équipe R&D internationale.

• Faire passer une simulation de sûreté nucléaire de 30 minutes à 10 secondes. Un métamodèle hybride, physique et Machine Learning, prédit les efforts mécaniques sur une pompe du circuit primaire avec moins de 4 % d'erreur.

• Comprendre pourquoi des batteries géantes surchauffent. Découverte causale sur les séries temporelles d'un système de stockage d'énergie par batteries pour un grand énergéticien.

• Réduire la facture énergétique d'une cinquantaine de lignes de production. Modélisation du rendement puis optimisation sous contraintes des paramètres de production chez un industriel de l'agroalimentaire

• Anticiper le fret maritime au lieu de le subir. Prévision des flux et outil d'aide à la décision pour affecter les conteneurs aux bons navires

• Faire parler une base d'incidents de vol en langage naturel. Un LLM open source déployé on-premise traduit les questions des équipes sécurité en requêtes SQL et leur restitue la réponse, sans qu'aucune donnée ne sorte du périmètre du client.

Votre rôle

• Cadrer le problème avec les équipes métier et data du client, et traduire un enjeu opérationnel en approche de modélisation.

• Concevoir, entraîner et évaluer les modèles, en étant force de proposition sur les choix techniques.

• Industrialiser vos solutions et suivre leur performance dans la durée.

Partager votre expertise avec les consultants plus juniors et contribuer à l'avant-vente sur les sujets techniques

• Au moins 5 ans d'expérience en Data Science, dont une partie significative sur des modèles déployés en production et suivis dans la durée.

• Une vraie solidité en statistiques et en modélisation : vous savez expliquer pourquoi un modèle marche, pas seulement le faire tourner.

• L'aisance face à un interlocuteur métier : vulgariser, challenger un besoin, défendre un choix.

• Un plus : une expérience en recherche opérationnelle, en deep learning (vision, séries temporelles), en MLOps ou en contexte industriel.

Pas besoin d'un doctorat ni d'avoir coché toutes les cases. Ce qui compte, ce sont les modèles que vous avez livrés et ce qu'ils ont changé.

1. Un échange de 30 minutes avec le Business Unit Manager pour parler de votre parcours et de vos envies.

2. Un entretien technique avec un Data Scientist senior de l'équipe, centré sur vos projets réels.

3. Une rencontre avec la direction.

Skill richieste

Problem framing with business and data teamsStatistical modeling and inferenceDesigning, training and evaluating machine learning modelsProduction ML deployment and performance monitoring (MLOps)Model explainability and interpretabilityMentoring and coaching junior data scientistsTechnical pre-sales and solution architectureCausal discovery and time series analysisDeep learning for computer vision and time series3D image segmentation and particle detectionHybrid physics-informed modeling (physics + ML)On-premise deployment of open-source LLMs and NL-to-SQL solutions

Offerte simili