Data Scientist / AI Engineer in Paris

Contrat de 12 mois à Paris, France. Hybride : 3 jours sur site, 2 jours à distance. Doit parler couramment français avec une bonne maîtrise de l'anglais. Les CV doivent être en anglais. Date de début : 2 novembre 2026.

Exigences :

• Minimum 5 ans d'expérience en science des données / ingénierie AI, dont au moins 2 ans sur des projets industriels avec des modèles déployés et maintenus en production.
• Compétences en Python et écosystème scientifique / ML (pandas, NumPy, scikit-learn, PyTorch).
• Modélisation de séries temporelles industrielles : détection d'anomalies, analyse multivariée, prévisions, gestion des données de capteurs bruyantes et irrégulières.
• Conception d'évaluations rigoureuses : métriques commerciales, références, arbitrage faux positifs/faux négatifs, reproductibilité des benchmarks.
• Industrialisation de bout en bout des solutions ML : MLOps (MLflow ou équivalent), CI/CD avec Git / GitHub, packaging, supervision.
• Systèmes GenAI et agentiques : RAG, sorties structurées, appels d'outils, orchestration d'agents, évaluation LLM et traçabilité.
• Plateformes cloud et de données : Databricks, Azure et/ou AWS ; SQL ; APIs (FastAPI) ; Docker.

Contexte du projet ou produit :

Le service fait partie de l'équipe Data+AI de la Digital Factory (AI pour l'industrie). L'équipe a un portefeuille de cas d'utilisation AI industriels, notamment dans le cadre des programmes Digital Plant d'E&P (par exemple, maintenance basée sur l'état, optimisation de la production) et mobilise ses data scientists de manière flexible selon les priorités du programme. Le consultant sera donc impliqué dans plusieurs cas d'utilisation pendant le service, et non sur un seul produit, en collaboration avec des experts métier (maintenance, fiabilité, production, processus), des équipes produit et des partenaires technologiques.

Problématiques typiques :

• Détection d'anomalies et qualification des alertes sur les données de capteurs, réduction des faux positifs, prédiction des variables de processus ou de production.
• Soutien à la décision basé sur l'historique des équipements et de la maintenance, identification des modes de défaillance, rationalisation des plans de maintenance.
• Extraction d'informations structurées à partir de rapports, journaux de maintenance et documents techniques.
• Estimation de quantités, automatisation de la surveillance, priorisation des opportunités ou interventions.
• Agents outillés et assistants AI combinant données, modèles et connaissances métier, avec des résultats traçables.

Principales missions :

• Cadre des cas d'utilisation avec les équipes métier et produit : traduire le besoin en un problème de données/AI, définir des hypothèses, des métriques commerciales et des critères de succès.
• Explorer et qualifier les données (séries temporelles, données de maintenance SAP, documents, données de production) et construire des ensembles d'évaluation avec des experts.
• Concevoir, développer et comparer des modèles par rapport à des références commerciales solides (ML classique, méthodes statistiques, modèles de base pour séries temporelles, agents LLM).
• Concevoir des briques GenAI / agentiques lorsque cela est pertinent (recherche de cas historiques, extraction structurée, agents outillés), avec des résultats traçables.
• Industrialiser : pipelines reproductibles, packaging, APIs, déploiement et supervision en production (MLOps / LLMOps), selon les normes de l'équipe.
• Assurer le cycle de vie des modèles : surveillance des performances, détection de dérive, réentraînement, documentation.
• Livrer des résultats et des limites aux utilisateurs métiers et à la direction et contribuer aux recommandations go/no-go.

Livrables :

• Notes de cadrage et protocoles d'évaluation (métriques, références, ensembles de données).
• Rapports d'exploration/benchmark avec recommandations.
• Code versionné et testé, modèles, agents ou composants API déployables.
• Documentation des modèles de surveillance en production et des indicateurs.

Aptitudes appréciées :

• Connaissance métier : maintenance prédictive/basée sur l'état, fiabilité (modes de défaillance, RCA), opérations de production pétrolière et gazière.
• Systèmes de données industriels : PI / historiens, Inmation, SAP PM, Cognite Data Fusion.
• AI documentaire/vision (P&ID, plans techniques).
• Utilisation critique de l'AI dans les pratiques de développement, sans déléguer la compréhension ou la responsabilité technique.