Senior Machine Learning Research Engineer - Applied Scientist H/F - Citech

CITECH recrute ! 👌

CITECH est une ESN à taille humaine spécialisée dans l'accompagnement de projets IT à forte valeur ajoutée.

Nous intervenons sur des environnements technologiques exigeants, allant du développement logiciel à la Data, au Cloud et à l'Intelligence Artificielle.

Nos consultants participent à des projets stratégiques associant innovation, expertise technique et enjeux métiers.

Nous accordons une attention particulière à la proximité avec nos équipes, à la qualité des missions proposées et au développement des compétences.

Description du poste

Vous souhaitez travailler à la frontière entre recherche appliquée, Machine Learning et ingénierie logicielle ?

Nous recherchons un(e) Senior Machine Learning Research Engineer / Applied Scientist pour contribuer à l'évolution d'un framework agentique destiné à automatiser et fiabiliser des travaux de recherche et d'expérimentation en Machine Learning.

Vous travaillerez principalement sur deux problématiques : prévision de séries temporelles enrichie par des événements et détection prédictive de pannes à partir de données IoT.

🎯 Vos missions

• Concevoir des protocoles expérimentaux permettant d'évaluer rigoureusement différentes approches de Machine Learning.
• Développer et faire évoluer des composants dédiés au forecasting et aux données IoT.
• Modéliser l'influence d'événements externes sur des séries temporelles.
• Construire et comparer différents scénarios de prévision.
• Développer des approches de détection d'anomalies et de signaux précurseurs de panne.
• Explorer des méthodes supervisées, non supervisées, Deep Learning et analyse de survie.
• Garantir l'absence de fuite temporelle dans les expérimentations.
• Construire des baselines et réaliser des évaluations rétrospectives et études d'ablation.
• Mesurer la robustesse et la capacité de généralisation des modèles.
• Développer un code Python robuste, testé, documenté et facilement intégrable.
• Assurer la reproductibilité et la traçabilité des expérimentations.
• Présenter les résultats et recommandations aux équipes techniques et métier.
• Accompagner le transfert de connaissances vers les équipes internes.

🛠️ Environnement technique

Les technologies et domaines explicitement présents dans le besoin sont :

• Python
• Machine Learning
• Deep Learning
• Time Series / séries temporelles
• Anomaly Detection
• Predictive Maintenance
• Survival Analysis
• Architectures agentiques / Multi-Agent Systems
• Dataiku
• MLOps
• Cloud
• IoT

🎓 Vous êtes diplômé(e) d'un Bac +5 en informatique, mathématiques appliquées, Data Science ou domaine connexe. Un doctorat constitue un atout important.

💼 Vous disposez idéalement d'au moins 7 ans d'expérience pertinente, avec une expérience significative en recherche appliquée en Machine Learning.

Vous maîtrisez particulièrement :

• Python et au moins un framework majeur de ML ou Deep Learning ;
• la modélisation et l'évaluation de séries temporelles ;
• la détection d'anomalies ;
• les problématiques de maintenance prédictive ;
• la conception de protocoles expérimentaux ;
• les méthodes de validation temporelle ;
• le développement de code robuste, testé et documenté.

Une expérience des systèmes agentiques ou multi-agents appliqués au Machine Learning sera particulièrement appréciée.

Une connaissance de Dataiku, du MLOps, du Cloud ou une expérience de publication scientifique / transfert technologique constituera également un plus.

Vous savez enfin vulgariser et présenter des problématiques scientifiques complexes auprès d'interlocuteurs techniques comme métier.

⭐ Les + du poste

✔ Un sujet à forte dimension R&D / recherche appliquée
✔ Des problématiques avancées de Machine Learning et Deep Learning
✔ Des travaux sur les séries temporelles et l'IoT
✔ Une dimension IA agentique / multi-agents
✔ Un équilibre entre recherche, expérimentation et développement
✔ Des enjeux concrets de maintenance prédictive
✔ Une forte exigence scientifique autour de la reproductibilité des résultats
✔ Un transfert direct des travaux vers les équipes internes