Ingénieur Machine Learning Senior H/F

Notre client développe en interne un framework agentique dédié à la recherche et à l’expérimentation en Machine Learning. Il s’inspire des travaux récents de la recherche sur les agents autonomes appliqués à la data science.

Ce framework automatise tout le cycle expérimental :

• formalisation du problème
• proposition et priorisation d’expériences
• génération et exécution du code
• validation, études d’ablation et sélection des modèles

Son architecture repose sur un coeur générique enrichi de plugins spécialisés. Votre rôle sera de faire évoluer deux de ces plugins, avec un haut niveau d’exigence scientifique.

VOS MISSIONS

Axe 1 - Prévision de séries temporelles intégrant des événements

• Identifier, qualifier et structurer les événements susceptibles d’influencer les prévisions.
• Modéliser leur probabilité, leur date, leur durée, leur intensité et leur impact.
• Produire des prévisions par scénarios : sans événement, central, optimiste, pessimiste et stress.
• Combiner des approches statistiques, Machine Learning et Deep Learning.
• Garantir l’absence de fuite temporelle en tenant compte de la date réelle de publication de chaque information.
• Mettre en place des protocoles de validation rigoureux : backtests événementiels, tests placebo, comparaison à un modèle de référence sans événement.

Axe 2 - Détection de pannes sur données IoT

• Concevoir un plugin de maintenance prédictive exploitant des séries temporelles multivariées issues de capteurs.
• Détecter de manière précoce les anomalies et les signaux précurseurs de panne.
• Estimer la probabilité de panne et, lorsque c’est possible, la durée de vie utile restante (RUL).
• Gérer les données manquantes, le bruit et les changements de régime.
• Comparer différentes approches : supervisées, non supervisées, détection d’anomalies, analyse de survie.
• Évaluer la capacité des modèles à généraliser à de nouveaux équipements.
• Produire des alertes explicables et hiérarchisées, exploitables par les équipes opérationnelles.

Sur l’ensemble de la mission

• Livrer un code Python robuste, testé, documenté et versionné, intégré à l’architecture existante.
• Garantir la reproductibilité et la traçabilité des expérimentations.
• Présenter régulièrement les résultats à des interlocuteurs techniques et métier.
• Assurer le transfert de connaissances vers les équipes internes.

Formation et expérienceBac +5 en informatique, mathématiques appliquées, data science ou domaine proche.Un doctorat, ou une expérience équivalente en recherche appliquée, est un vrai plus.Au moins 5 ans d’expérience en Machine Learning appliqué, dont une part significative sur les séries temporelles.Compétences indispensablesSolide maîtrise de la prévision de séries temporelles et des protocoles d’évaluation associés : validation glissante, backtesting, baselines.Expérience en détection d’anomalies et/ou maintenance prédictive.Maîtrise du Deep Learning.Excellente maîtrise de Python et d’au moins un framework majeur (PyTorch, TensorFlow ou JAX).Bonnes pratiques de développement : tests, Git, documentation, code intégrable en production.Capacité à vulgariser des résultats complexes.Compétences appréciéesInférence causale, analyse d’impact, économétrie ou analyse de survie.Architectures agentiques, systèmes multi-agents, orchestration d’agents.Dataiku et développement de composants personnalisés.MLOps, environnements cloud, automatisation de pipelines d’expérimentation.Publications scientifiques, contributions open source ou mise en production de travaux de recherche.Librairies séries temporelles : Darts, sktime, StatsForecast, GluonTS, PyOD, lifelines, scikit-survival…Savoir-êtreRigueur scientifique et esprit critique vis-à-vis de ses propres résultats.Autonomie et capacité à structurer un sujet de recherche.Goût pour la transmission et le travail en équipe., * Bac +5 en informatique, mathématiques appliquées, data science ou domaine proche.

• Un doctorat, ou une expérience équivalente en recherche appliquée, est un vrai plus.
• Au moins 5 ans d’expérience en Machine Learning appliqué, dont une part significative sur les séries temporelles.

Compétences indispensables

• Solide maîtrise de la prévision de séries temporelles et des protocoles d’évaluation associés : validation glissante, backtesting, baselines.
• Expérience en détection d’anomalies et/ou maintenance prédictive.
• Maîtrise du Deep Learning.
• Excellente maîtrise de Python et d’au moins un framework majeur (PyTorch, TensorFlow ou JAX).
• Bonnes pratiques de développement : tests, Git, documentation, code intégrable en production.
• Capacité à vulgariser des résultats complexes.

Compétences appréciées

• Inférence causale, analyse d’impact, économétrie ou analyse de survie.
• Architectures agentiques, systèmes multi-agents, orchestration d’agents.
• Dataiku et développement de composants personnalisés.
• MLOps, environnements cloud, automatisation de pipelines d’expérimentation.
• Publications scientifiques, contributions open source ou mise en production de travaux de recherche.
• Librairies séries temporelles : Darts, sktime, StatsForecast, GluonTS, PyOD, lifelines, scikit-survival…

Savoir-être

• Rigueur scientifique et esprit critique vis-à-vis de ses propres résultats.
• Autonomie et capacité à structurer un sujet de recherche.
• Goût pour la transmission et le travail en équipe.

EUR

Machine learning Git Travail en équipe Python Autonomie