Role overview
Taux journalier (TJM): - Budget Cible : 550–650 € HT/j ou 55–65 K€ brut/an (selon profil)
Data Scientist / Machine Learning Engineer (IA & GenAI – Banque)
Département : Lille (59)
Démarrage : 06/04/2026
Durée : 12 mois, reconductible
Contrat : CDI ou freelance
Budget Cible : 550–650 € HT/j ou 55–65 K€ brut/an (selon profil)
Télétravail : 2 à 3 jours/semaine
Séniorité : + 5 ans XP
Poste ouvert : 1
Secteur : Banque / Paiement – IA & Data
Contexte
Dans le cadre d’une stratégie ambitieuse autour de l’Intelligence Artificielle, un acteur majeur du paiement accélère l’intégration de solutions de Machine Learning, Deep Learning, NLP et IA Générative.
Les enjeux sont multiples :
- Valorisation des données
- Optimisation des processus opérationnels
- Amélioration de l’expérience client
- Déploiement de solutions IA à l’échelle
La mission s’inscrit dans un environnement data moderne, orienté production et impact business.
Missions principales
Concevoir, développer et déployer des modèles de Machine Learning
Travailler sur des cas d’usage variés : scoring, fraude, expérience client
Mettre en place des solutions IA Générative / LLM (fine-tuning, RAG, agents)
Industrialiser les modèles via des pratiques MLOps
Déployer les modèles sous forme d’API et pipelines automatisés
Mettre en place des dispositifs de monitoring (performance, drift, qualité des données)
Collaborer avec les équipes métiers (Risque, Paiement, Fraud, Digital…)
Participer à la définition de l’architecture data & ML
Contribuer à l’amélioration continue des modèles et des pipelines
Environnement technique
Langages & ML : Python, Pandas, Scikit-learn, XGBoost, LightGBM
Explainability : SHAP, LIME
GenAI / LLM : OpenAI, HuggingFace, LangChain, LangGraph
MLOps : MLflow, CI/CD, pytest, feature stores
Déploiement : FastAPI, Docker, Kubernetes, GitHub Actions
Data & Cloud : Azure (Azure ML), Databricks, PySpark
Outils : Jira, Confluence, GitLab / Bitbucket / Azure DevOps
Monitoring : drift, performance, RAGAS, LLM evaluation
Profil recherché
Expérience solide en Data Science & Machine Learning (+ 5 ans XP)
Maîtrise des modèles supervisés (régression, arbres, boosting)
Expérience concrète en mise en production (MLOps)
Bonne connaissance des LLM / IA Générative (RAG, fine-tuning, agents)
Excellente maîtrise de Python et de l’écosystème ML
Expérience en déploiement d’API et pipelines data
Bonne compréhension des architectures data modernes
Capacité à échanger avec des équipes métiers variées
Une connaissance du secteur bancaire (scoring, réglementation) est un plus
Autonomie, rigueur et esprit d’innovation
Anglais professionnel