We measure site traffic to improve it, never for advertising. Learn more

Skip to content
Konvenable Logo
Hiring?

This page is only available in French.

View French version

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

92 - Boulogne-Billancourt

—

Evaluation available

Does this role match your profile?

No account needed: compare the offer with your CV, or answer three questions.

Prepare your application

Tailor my CV to this offer

Optimize your CV for ATS

Prepare the interview

AI simulator tuned to the role · 15 min

About the role

  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).

  1. 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).

  1. 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).

  1. 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).

Job details

Location

92 - Boulogne-Billancourt

Contract

Intérim - 1 Mois

Experience

Débutant accepté

Posted

Assess your skills for this role

5-8 min chat · portable scorecard

Start session

Originally published on France Travail. View the original listing · Is this your listing?

—

TechEvaluation available

Location

92 - Boulogne-Billancourt

Contract

Intérim - 1 Mois

Experience

Débutant accepté

Posted

Does this role match your profile?

No account needed: compare the offer with your CV, or answer three questions.

Similar roles

Other roles you might like

C

Chargé / Chargée de communication (H/F)

CNRS · 44 - Nantes

C

Ingénieur(e) électronicien(ne) en industrie (H/F)

CNRS · 25 - Besançon

AI

Chef de Projet Sirh Experimente (H/F)

ARIAL INDUSTRIES · 38 - Gières

S

Pilote projets amélioration continue (H/F)

Safran · 60 - Méru

Market data

Data engineer pay & market in Boulogne-Billancourt

Median, p25–p75 range, hiring companies and in-demand skills — live Data engineer market data in Boulogne-Billancourt on Konvenable Pulse.

See the market in Pulse