CM - Consultant senior en recherche appliquée en Machine Learning

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

• 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

• 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

Profil senior disposant idéalement d’au moins cinq années d’expérience pertinente. Bac+5 requis ; doctorat ou expérience équivalente en recherche appliquée constitue un atout majeur.

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 et de la maintenance prédictive

• Maîtrise du Deep Learning

• Excellente maîtrise de Python et d’au moins un framework majeur de Machine Learning / 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

• 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