Trouvez votre prochaine offre d’emploi ou de mission freelance Modélisation

Dans le cadre du remplacement d’un consultant senior sortant, tu rejoindras l’équipe Pricing & Revenue Management afin d’assurer la continuité, l’évolution et la fiabilisation des modèles algorithmiques stratégiques. Ton rôle sera clé pour concevoir, développer et optimiser des modèles avancés de pricing et de revenue management, permettant de prévoir, indexer et optimiser les contrats clients dans un contexte business à forts enjeux. 🧠 Missions principales 1. Développement & optimisation de modèles Concevoir et développer des modèles avancés de pricing (indexation, forecasting, optimisation des revenus). Améliorer la performance des algorithmes existants (précision, vitesse, robustesse, explicabilité). Construire de nouveaux modèles data-driven liés au revenue management (élasticité, stratégie tarifaire, scénarios). 2. Engineering & Data Pipeline Développer, maintenir et optimiser des pipelines dans Azure Data Factory & Azure Databricks . Manipuler, transformer et structurer des données dans un environnement big data. Intégrer et orchestrer les données via Azure Lakehouse / ADLS . (Bonus) Utiliser PySpark pour gérer des volumes de données importants. 3. Collaboration & Interaction Business Travailler en étroite collaboration avec les équipes Pricing, Finance et Opérations. Comprendre les besoins business et les traduire en modèles statistiques exploitables. Documenter, présenter et vulgariser les résultats auprès des équipes métier. Garantir une forte réactivité et la fiabilité des livrables compte tenu des enjeux stratégiques. 🛠️ Stack technique Python : indispensable (modélisation, data processing, industrialisation). Azure Cloud : Databricks, ADF, ADLS / Lakehouse. PySpark : apprécié. Méthodes & domain expertise : Pricing algorithmique Revenue management Forecasting (séries temporelles, modèles ML) Optimisation (linéaire, stochastique, contraintes)

En quelques mots Cherry Pick est à la recherche d'un Data Scientist (H/F) , pour le compte de l'un de ses clients qui opère dans le domaine de l'énergie . Description 🎯 Contexte Le groupe accélère la production de solutions digitales pour ses activités dans le monde. Dans ce cadre, la Data Factory recherche un Data Scientist expérimenté en LLM et IA Générative pour développer des solutions innovantes et industrielles autour de l’IA agentique et du traitement de données complexes. 🛠️ Missions & Livrables Exploration & PrototypageConcevoir et évaluer des approches IA agentique (LLM + outils/API + code).Expérimenter du fine-tuning ciblé (LoRA, autres techniques) sur données métiers.Comparer rigoureusement RAG / fine-tuning / multi-agents et frameworks (LangChain, LlamaIndex, CrewAI). Conception & Développement Créer des workflows avancés combinant RAG (connaissance), fine-tuning (style), agents (actions). Explorer et mesurer la fiabilité des capacités de raisonnement (Chain-of-Thought, ReAct, etc.). Produire des démonstrateurs fonctionnels et recommandations techniques. Contributions transverses Participer aux CoP (communautés de pratique) et rituels de squads. Contribuer à la conception/maintenance d’outils et packages communs. Challenger la vision de l’équipe et participer à la roadmap IA.

Attention, 50% du temps sur site client à Bruxelles (au moins 2 jours par semaine non négociable) Développement technique de la solution GenAI Choix, implémentation et ajustement des modèles LLM Mise en place et gestion des bases de données vectorielles Intégration des sources de données (SharePoint Online) Optimisation des prompts Supervision du pipeline de données Contribution au déploiement sécurisé dans Azure Cloud : Microsoft Azure Données : Documentation technique interne (PDF sur SharePoint Online) Architecture cible : Chatbot avec RAG et LLM (OpenAI GPT ou autre), sécurisé, déployé dans Azure Technologies envisagées : Python, Azure OpenAI, CI/CD, REST API, IAM, RBAC

Nous recherchons un Ingénieur IA / ML Ops senior pour renforcer notre équipe IT Data & IA en charge des projets Data & IA stratégiques d'un grand groupe international. 📍 Localisation : Saint Quentin en Yvelines / 2J de TT 📅 Démarrage : ASAP ⏳ Durée : Longue mission ✅Piloter le portefeuille de cas d’usage IA (ML, deep learning, IA générative, agentique) ✅Être le référent IA auprès des chefs de projet, architectes, métiers et partenaires ✅Mettre en place les bonnes pratiques de Feature Engineering, validation des données & QA ✅Challenger les modèles et garantir leur robustesse, explicabilité et conformité (IA Act, RGPD) ✅Définir et appliquer le cadre ML Ops du groupe (CI/CD, versioning, monitoring, reproductibilité) ✅Concevoir et implémenter des architectures IA modulaires et industrialisables ✅Auditer, valider et documenter les modèles / cas d’usage avant mise en production ✅Encadrer et accompagner les juniors, diffuser les bonnes pratiques et vulgariser auprès des métiers ✅Assurer une veille technologique active et anticiper les évolutions réglementaires

Contexte du poste Dans un contexte d’accélération des usages de l’IA et d’exigences croissantes en cybersécurité et conformité réglementaire (NIS2, RGPD, AI Act, bonnes pratiques ISO/IEC 42001, 27001/27005…), l’organisation souhaite structurer et formaliser sa politique de cybersécurité appliquée à l’IA. Le Chef de projet IA / Cybersécurité jouera un rôle clé dans la définition du cadre, sa mise en œuvre opérationnelle, et l’accompagnement des équipes techniques et métiers. Missions principales 1. Élaboration de la politique de cybersécurité appliquée à l’IA Construire une politique cybersécurité dédiée aux projets IA (purs ou intégrant des briques IA). Définir les exigences de sécurité adaptées aux différents types d’IA (ML, LLM, modèles embarqués, services cloud, etc.). Intégrer les enjeux liés aux données (qualité, confidentialité, gouvernance, gestion des jeux d’entraînement). 2. Définition du processus de prise en compte de la cybersécurité dans le cycle de vie des projets IA Conception d’un processus de sécurité couvrant tout le cycle : idéation, cadrage, conception, entraînement, validation, déploiement, exploitation. Coordination avec les métiers, les équipes d’ingénierie, les architectes, le juridique, la data gouvernance et le RSSI. Intégration du processus dans la gouvernance projet et dans les instances existantes. 3. Rédaction du livrable de référence : “Politique de prise en compte de la cybersécurité dans les projets et produits IA” Le livrable inclura notamment : L’organisation cible et les rôles/responsabilités (Métiers, Data, RSSI, Architectes, Juridique, Achats…). Les jalons de validation et exigences à contrôler à chaque étape. Les points de contrôle cyber spécifiques aux projets IA (robustesse des modèles, attaques adversariales, données sensibles, dérives de modèle, dépendances cloud…). Les grilles d’évaluation et matrices de risques cyber appliquées à l’IA (risques modèles, risques données, risques d’exploitation). Les clauses contractuelles types pour appels d’offres et contrats incluant de l’IA : obligations de sécurité, exigences de gestion et protection des données, auditabilité et monitoring, obligations de conformité (AI Act, RGPD…), obligations en matière de gestion de vulnérabilités IA. 4. Préparation de la phase opérationnelle Préparer le passage de la politique à l’opérationnel. Former et sensibiliser les équipes (ingénierie, métiers, achats, juridique). Participer à la structuration du dispositif opérationnel et soutenir l’Expert IA / Cybersécurité. Contribuer à la mise en place des outils de suivi, audit, monitoring sécurité des modèles.

Le Lab Data connaît une forte accélération et un passage à l’échelle. Les équipes construisent et opèrent un Data Mesh , un Datalake , ainsi qu’une plateforme complète permettant de rendre accessibles les données, les analytics et les produits IA. Le périmètre inclut : Conception du magasin Workspace pour accès aux données Connectivité avancée du Data Lab Mise en production de nombreux agents et modèles (≈60) Montée en puissance sur l’ observabilité , le Go-to-Market , l’orchestration, et l’optimisation de la vitesse de livraison L’objectif : accélérer , scaler , et professionnaliser la chaîne de valeur Data & IA pour soutenir une croissance forte du nombre d’utilisateurs. Mission principale Rejoindre le Lab Data pour : Accélérer l’évolution du Data Mesh et du Datalake Renforcer l’observabilité, la qualité, et la fiabilité des pipelines Structurer et opérer la plateforme agentique (LLM, agents, graph, orchestration) Améliorer la vitesse et la maturité en production (MLOps & LLMOps) Accompagner l’onboarding rapide des nouveaux utilisateurs et experts Contribuer au Go-to-Market et à la montée en maturité du produit Participer au développement interne des outils d’automatisation et d’orchestration Responsabilités clésData Engineering & Analytics Développer et opérer des pipelines Spark / SQL performants Contribuer au Data Mesh, Datalake, et aux connecteurs Workspace Gestion de la consommation via API, Spark, Elastic Search Déploiement et optimisation Power BI & DataViz avancée Participer à la construction du catalogue de données / agents Orchestration & Infrastructure Concevoir et opérer les workflows sur Kubernetes Infrastructure as Code (Terraform – un plus) Observabilité appliquée au Data & IA (logs, metrics, traces) Contribution à la refonte de n8n interne Gestion DAG & orchestrateurs internes / agentiques ML Ops & LLM Ops Gestion du cycle de vie ML & LLM Mise en production d’agents LLM (60+ agents en prod) Context engineering : gestion dynamique du contexte partagé, hiérarchie, rationalisation Deep Search, Knowledge Graph, Neo Forging Monitoring, optimisation et sécurité des modèles Plateforme agentique : supervision, versioning, fiabilité Développement Applicatif API robustes (Python / FastAPI) Application front (React – un plus, avec sensibilité design) Automatisation et intégration dans la plateforme

La mission s’inscrit dans le cadre du projet « Artificial Intelligence Engineering », au sein de la division GDAI du Groupe. Ce projet vise à accompagner les entités dans leur montée en compétence, en définissant et en appliquant les meilleures pratiques en matière d’ingénierie ML / LLM. Nous déployons un parcours de formation en ML/LLM Engineering à l’échelle mondiale du Groupe, et nous recherchons une personne pour soutenir cette initiative. Améliorer le référentiel de formation MLOps / ML Engineering utilisé à l’échelle mondiale au sein du groupe Faire évoluer le parcours vers des pipelines ML sur AWS et Databricks (actuellement sur Azure)

Contexte Le profil interviendra sur l’ensemble du cycle de vie des solutions d’Intelligence Artificielle (IA), incluant : Industrialisation et CI/CD : Mise en place et maintenance de pipelines CI/CD (GitLab, Docker, Terraform, Kubernetes). Infrastructure et automatisation : Gestion et optimisation des environnements AWS (S3, EMR, SageMaker, IAM…). Data Engineering & Spark : Développement et optimisation de jobs Spark pour la préparation et le traitement de données à grande échelle. MLOps / Production : Déploiement, suivi et supervision des modèles IA (MLflow, , monitoring Datadog). Collaboration transverse : Interaction quotidienne avec les Data Scientists pour fiabiliser le delivery et le suivi des modèles. Veille et amélioration continue : Participation active à l’optimisation des pipelines et à la montée en maturité technique de l’équipe. Description de la mission Le profil sera en charge de : Maintenir et faire évoluer les pipelines d’industrialisation (CI/CD, Terraform, Docker, Kubernetes). Participer à la mise en production et au suivi des modèles IA (Airflow, Datadog, , MLflow). Garantir la fiabilité des traitements Spark et la conformité des environnements AWS. Contribuer au suivi de la production et aux mises en production (MCO). Participer à l’amélioration continue des outils et pratiques Data/IA. Documenter les bonnes pratiques techniques et partager les retours d’expérience au sein de l’équipe AI Experts. Compétences techniques attendues Obligatoires (Must Have) : CI/CD (GitLab) Docker Terraform Kubernetes Spark Python AWS (S3, EMR, SageMaker, IAM…) Souhaitables (Nice to Have) : MLflow Airflow API / FastAPI Datadog Suivi de production / MEP Autres compétences : Expérience de collaboration avec des Data Scientists Veille technologique et amélioration continue Soft Skills recherchés Esprit d’équipe et forte culture du delivery Rigueur technique, curiosité et autonomie Capacité à collaborer efficacement dans un environnement pluridisciplinaire (DE, DS, OPS, PO, DEV, staff) Sens du partage et de la documentation Livrables et responsabilités principales Maintenir et faire évoluer les pipelines CI/CD et d’industrialisation Participer aux mises en production et au suivi des modèles IA Garantir la fiabilité des traitements Spark et la conformité AWS Contribuer à l’optimisation continue des outils et pratiques Documenter et partager les bonnes pratiques techniques

Notre groupe va mener le déploiement de son ERP JDE “WS Europe” dans sa filiale nord‑américaine, avec un environnement mutualisé sur iSeries sur les périmètres fonctionels Finance, Manufacturing et Supply. Collaboration transatlantique organisée entre les équipes de Lille et Etats-Unis. Mission principale Piloter de bout en bout le déploiement de JDE sur les 3 sites US (de la préparation au go‑live et hypercare ), garantir l’ adoption métier et l’ intégration avec l’écosystème local (SCM, ...), en respectant les contraintes finance/compliance US et les standards du groupe. Responsabilités clés Pilotage & gouvernance Définir et tenir planning , budget, RAID (Risks, Assumptions, Issues, Dependencies) et jalons; animer COPIL/COPRO et équipe projet; reporter KPI. Mettre en place l'intégration avec les systèmes locaux et l'ERP Identifier les outils satellites de l'écosystème Européen pouvant être un complément pour la plaque américaine. Cadrage fonctionnel Conduire les ateliers de gap analysis, core model Europe vs. local fit sur chacun des périmètres fonctionels Organiser la rédaction des user stories , BPMN /process maps, spécifications fonctionnelles et critères d’acceptation avec les équipes expertes de Lille. Données & qualité Piloter la stratégie de migration (items, nomenclatures, emplacements, partenaires, paramètres), data cleansing et reconciliations Finance/Stocks. Définir data ownership , règles de qualité et contrôles post‑go‑live. Tests & cutover Structurer plan de tests (SIT/UAT/Performance), piloter dry‑runs , cutover et hypercare ; gérer issues et workarounds . Change & adoption Déployer plan de conduite du changement (communication, formation, supports FR/EN, champions) et assurer support niveau 1/2 post‑go‑live. Alignement avec core model groupe et documentation standard.