Scientifique des données appliquées / Ingénieur en apprentissage automatique (Intelligence décisionnelle)

Nous recherchons un scientifique des données appliquées ou un ingénieur en apprentissage automatique axé sur le produit pour aider à créer, expédier et mettre à l'échelle des produits basés sur le ML qui améliorent directement la façon dont nos clients prennent des décisions, exploitent leurs entreprises et servent leurs propres utilisateurs.
Il ne s'agit pas d'un rôle réservé uniquement à la recherche, ni d'un poste d'analyse interne axé sur les services. Nous recherchons quelqu'un qui a suivi l'apprentissage automatique depuis la définition du problème jusqu'à l'expérimentation, le déploiement en production, la mesure, l'itération et la propriété à long terme. Vous comprenez que les bons modèles ne sont pas seulement précis dans les cahiers : ils sont utilisables, explicables, mesurables, évolutifs et précieux dans un produit réel.
Que votre formation soit fortement orientée vers l'ingénierie des données/ML Ops ou la science des données appliquée, vous avez un fort penchant pour le transport maritime et un intérêt à relier les deux mondes pour donner vie à l'IA.
CE QUE VOUS FAIREEZ :

Ingénierie et activation de l'IA

•
Propriété du ML de bout en bout : pilotez le développement de capacités d'apprentissage automatique (prévision, recommandation, classement, optimisation ou intelligence décisionnelle) qui alimentent les produits SaaS destinés aux clients.

•
Développement de pipelines et de modèles : concevez des pipelines de données et de fonctionnalités fiables ainsi que des modèles, depuis la découverte jusqu'à l'expérimentation, la validation, le déploiement et la surveillance.

•
Intégration de produits : collaborez avec les chefs de produit et les ingénieurs logiciels pour intégrer le ML directement dans les flux de travail des produits, les expériences utilisateur et les outils de prise de décision.

•
Prototypage pragmatique : passez rapidement du prototype à la production tout en équilibrant précision, interprétabilité, latence, maintenabilité et impact commercial.

Propriété et stratégie des écosystèmes

•
Évaluation et expérimentation : définissez des stratégies d'évaluation hors ligne et en ligne, y compris la qualité, la dérive et la fiabilité des modèles. Concevez des tests A/B et des cadres de mesure causale pour prouver que les fonctionnalités de ML améliorent les résultats pour les clients.

•
Santé des données et boucles de rétroaction : collaborez avec les équipes de données pour garantir que les modèles sont pris en charge par des fonctionnalités de haute qualité, tout en créant des boucles de rétroaction afin que les expériences produits s'améliorent au fil du temps.

•
Prise en charge de la plate-forme et du MLOps : aidez à gérer et à optimiser l'infrastructure de données cloud, en garantissant des informations fiables et en gérant de manière proactive la santé des données avant qu'elles n'affectent les utilisateurs.

Direction produit et technique

•
Jugement stratégique : faites preuve d'un jugement solide quant au moment d'utiliser le ML traditionnel, la modélisation statistique, les LLM, l'heuristique ou une logique de produit plus simple. Faites des compromis pratiques entre la complexité du modèle et l’impact sur le client.

•
Influence sur la feuille de route : communiquer clairement ce que le ML peut et ne peut pas résoudre pour influencer les décisions sur la feuille de route, aidant ainsi à identifier les domaines dans lesquels l'apprentissage automatique peut créer une véritable différenciation des produits.

•
Mentorat : guidez et encadrez d'autres scientifiques de données, ingénieurs ML, analystes et partenaires interfonctionnels dans les meilleures pratiques appliquées en matière de ML.

QUI VOUS ÊTES :

•
Le constructeur éprouvé : vous avez intégré le ML dans de vrais produits. Vous êtes à l'aise de commencer avec un problème de produit ambigu, de déterminer si le ML est la bonne solution, de la construire et de mesurer si elle a fonctionné.

•
Architecte axé sur le produit : vous vous souciez autant de l'impact du produit que des performances du modèle. Vous savez qu'un modèle avec une précision légèrement inférieure mais une confiance plus élevée, une inférence plus rapide, une meilleure explicabilité et une adoption plus forte par les utilisateurs est la meilleure décision en matière de produit.

•
Un bourreau multidisciplinaire : vous comprenez qu’un modèle n’est aussi bon que le pipeline qui l’alimente. Vous donnez la priorité à la convivialité, au « Time to Insight » et à la confiance des clients autant qu'à l'efficacité du code.

CE QUE VOUS APPORTEREZ :

•
Expérience : 3 ans ou plus (idéalement 5+) d'expérience professionnelle en science appliquée des données, en apprentissage automatique ou en ingénierie ML, y compris une expérience pratique dans la création et l'expédition de modèles dans des produits de production. L'expérience avec les produits SaaS est très appréciée.

•
Noyau technique : solides compétences en Python et expérience pratique des bibliothèques et des frameworks de ML appliqués (par exemple, Scikit-Learn, XGBoost, PyTorch, TensorFlow). Une solide expertise SQL est requise.

•
Profondeur du ML et de la modélisation : Bonne compréhension de l'apprentissage supervisé, des prévisions, du classement, des systèmes de recommandation, de l'optimisation ou de la modélisation statistique. Une expérience avec des ensembles de données de produits imparfaits du monde réel est essentielle.

•
Opérations et orchestration : Familiarité avec les concepts MLOps (version de modèle, pipelines de fonctionnalités, orchestration via Airflow/dbt/Dagster, surveillance, détection de dérive) et les plateformes de données modernes (par exemple, Snowflake, BigQuery, Redshift, Databricks).

•
Infrastructure cloud : expérience pratique du fonctionnement dans des environnements cloud (AWS, GCP ou Azure).

•
Communication et collaboration : Excellentes compétences en communication avec la capacité d'expliquer clairement les compromis techniques complexes aux parties prenantes du produit, de l'ingénierie et des activités non techniques.

POINTS BONUS POUR :

•
Expérience avec les produits d'intelligence décisionnelle, de prévision, de modélisation du comportement des clients, d'optimisation de la main-d'œuvre/des itinéraires ou d'intelligence opérationnelle.

•
Expérience avec les LLM, GenAI ou les flux de travail agent appliqués à des cas d'utilisation réels de produits.

•
Expérience préalable en tant que scientifique principal ou principal chargé de guider la direction technique.

CE QUE VOUS DEVEZ SAVOIR SUR NOUS :

• Nous sommes décontractés mais boutonnés. Nous offrons un environnement de travail décontracté et une flexibilité de travail à distance et avons une passion pour le développement de solutions créatives et innovantes de premier ordre qui contribuent directement au succès de nos clients.

• Nous nous soucions profondément et fournissons des services et des solutions qui font une réelle différence dans la vie de nos clients et de leurs entreprises.

• Nous acceptons ouvertement les autres tels qu'ils sont et construisons des partenariats solides basés sur la confiance.

• Le travail d'équipe et la collaboration sont essentiels pour aider nos collègues et clients à résoudre leurs défis.

• Notre équipe est énergique, amusante, naturellement curieuse et désireuse d'avoir un impact, nous vous invitons à nous rejoindre !

AIMEZ CE QUE VOUS FAITES, PEU IMPORTE OÙ VOUS LE FAITES :…

Source : Jobicy (https://jobicy.com/jobs/147495-applied-data-scientist-machine-learning-engineer-decision-intelligence)