CM - Consultant senior en recherche appliquée en Machine Learning Jean-Michel.io

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

Description - CraftmanDataCraftmanData est un cabinet de conseil spécialisé en data, intelligence artificielle et architectures critiques, conçu pour accompagner les organisations confrontées à des enjeux de transformation à grande échelle, de performance opérationnelle et de continuité de service.Nous intervenons là où la donnée devient un actif stratégique, dans des environnements complexes, fortement réglementés et soumis à des contraintes de disponibilité élevées (24/7, SLA, RTO/RPO) : transport et logistique, ports et douanes, industrie, services publics, plateformes numériques.Notre approche repose sur trois piliers :1. Architecture data & plateformes critiquesNous concevons et sécurisons des architectures data modernes, résilientes et scalables :•Kubernetes & conteneurisation (cloud, on-prem, hybride)•Architectures événementielles et orientées flux•Modernisation de legacy complexes (ESB, BizTalk, batchs, monolithes)•Haute disponibilité, PRA/PCA, performance et souveraineté des données2. Data, IA et usages métiersNous mettons la data et l'IA au service des usages réels :•IA générative appliquée aux métiers (opérations, service client, conformité)•Automatisation intelligente des processus•Exploitation des flux massifs (messaging, API, temps réel)•Gouvernance, qualité et traçabilité de la donnée3. Exécution et RUN industrialiséCraftmanData se distingue par une culture forte de l'exécution :•Accompagnement de bout en bout : cadrage → delivery → RUN•Structuration des équipes N1 / N2 / N3•Observabilité, monitoring 24/7, gestion des incidents•Optimisation des coûts et des performances dans la duréeNotre positionnementCraftmanData n'est pas un simple intégrateur technologique.Nous agissons comme un partenaire de confiance, capable de dialoguer aussi bien avec les directions générales qu'avec les équipes techniques, pour sécuriser des plateformes critiques et accompagner une croissance durable.