CM IT 188078 - Consultant senior en recherche appliquée en Machine Learning

Développement d'un framework agentique dédié à la recherche et à l'expérimentation en Machine Learning, inspiré des approches DS-STAR et MLE-STAR de Google Research. Son architecture repose sur un cœur générique associé à des plugins spécialisés. Le système automatise notamment les activités suivantes :

• Analyse et formalisation du problème
• Proposition et priorisation d'expériences
• Génération, exécution et correction du code
• Validation expérimentale et évaluations rétrospectives
• Études d'ablation et sélection robuste des modèles

La mission consiste à faire évoluer ce framework selon deux axes prioritaires, tout en garantissant la qualité scientifique, la reproductibilité des expérimentations et l'intégration des développements dans l'écosystème existant.

Objectif 1 : Amélioration du plugin Event Forecasting : Consolider un plugin capable d'intégrer des événements dans les prévisions de séries temporelles, selon un protocole scientifique rigoureux. Les travaux porteront notamment sur :

• Découverte, qualification et représentation structurée des événements
• Modélisation de leur probabilité d'occurrence, de leur date de début, de leur durée, de leur intensité, de leur direction, de leur incertitude et de leur impact
• Production de scénarios sans événement, central, optimiste, pessimiste et de stress
• Intégration de méthodes statistiques, de Machine Learning et de Deep Learning adaptées
• Prise en compte stricte de la date de publication des informations afin d'éviter toute fuite temporelle
• Mise en place de tests placebo, d'évaluations rétrospectives événementielles et de comparaisons avec un modèle de référence sans événements
• Amélioration de la robustesse, de la reproductibilité et de l'interprétabilité des résultats

Objectif 2 : Cas d'usage IoT : détection de pannes : Concevoir et intégrer dans RAFA un plugin dédié aux données IoT et à la maintenance prédictive. Les travaux porteront notamment sur :

• Détection précoce des anomalies et des signaux précurseurs de panne
• Estimation de la probabilité de panne et, lorsque les données le permettent, de la durée de vie utile restante
• Exploitation de séries temporelles multivariées issues de capteurs, avec gestion des données manquantes, du bruit et des changements de régime
• Comparaison d'approches supervisées, non supervisées, de détection d'anomalies et d'analyse de survie
• Évaluation des modèles selon des protocoles temporels réalistes et mesure de leur capacité de généralisation à de nouveaux équipements
• Production d'alertes explicables, hiérarchisées et exploitables par les équipes métier

Livrables attendus : Plugins Event Forecasting et IoT intégrés, testés et documentés dans RAFA ; protocoles expérimentaux, jeux de tests, modèles de référence et résultats comparatifs reproductibles ; code source versionné, documentation technique et guide de prise en main ; synthèses des travaux, recommandations et présentation régulière des résultats ; transfert de connaissances vers les équipes internes.

Critères de réussite : Amélioration mesurable des performances par rapport aux modèles de référence ; absence de fuite temporelle et respect des protocoles de validation définis ; reproductibilité des expérimentations et traçabilité des résultats ; qualité, maintenabilité et intégrabilité du code livré ; appropriation des développements et de la documentation par les équipes internes.

Profil candidat : Compétences indispensables : expérience confirmée en recherche appliquée en Machine Learning et en conception de protocoles expérimentaux ; maîtrise des séries temporelles, de la détection d'anomalies, de la maintenance prédictive et du Deep Learning ; excellente maîtrise de Python et d'au moins un framework majeur de Machine Learning ou de Deep Learning ; capacité à produire un code robuste, documenté, testé et intégrable dans une architecture existante ; aptitude à communiquer des résultats complexes à des interlocuteurs techniques et métier.

Compétences appréciées : atouts différenciants : architectures agentiques, systèmes multi-agents et orchestration d'agents dédiés au Machine Learning ; Dataiku et intégration de composants personnalisés ; MLOps, environnements cloud et automatisation des chaînes d'expérimentation ; expérience de publication scientifique, de transfert technologique ou de mise en production de travaux de recherche.

Niveau d'expérience et formation : Profil senior disposant idéalement d'au moins cinq années d'expérience pertinente. Un diplôme de niveau Bac+5 en informatique, mathématiques appliquées, data science ou domaine connexe est requis ; un doctorat ou une expérience équivalente en recherche appliquée constitue un atout majeur.