Mission freelance data scientist à Bordeaux (2026)

Dassault Systèmes développe depuis Bordeaux plusieurs capacités ML intégrées dans sa plateforme 3DEXPERIENCE, et fait appel à des data scientists freelances pour des chantiers d'amélioration spécifiques. Les missions portent sur plusieurs sujets. Les modèles ML sur graphes pour les données PLM : les structures d'assemblage des produits industriels (avions Airbus, automobiles Renault, composants de défense) sont naturellement représentées sous forme de graphes — des Graph Neural Networks (PyTorch Geometric, DGL) apprennent à prédire les défauts d'assemblage, à recommander des composants similaires, ou à détecter des configurations de conception anormales à partir de la structure topologique du graphe d'assemblage. Les digital twins enrichis par ML : des modèles de substitution (surrogate models) appris sur des données de simulation FEM/CFD permettent de prédire en temps réel le comportement mécanique ou thermique d'un composant sans relancer une simulation coûteuse — des architectures comme Fourier Neural Operator (FNO) ou Deep Operator Networks s'appliquent ici. Ces missions requièrent une double compétence PyTorch + connaissance du domaine PLM — un profil hybride extrêmement rare.

Ubisoft Bordeaux — studio connu pour ses titres Assassin's Creed et autres AAA — dispose d'une équipe Data Science dédiée à l'analyse des comportements joueurs et fait appel à des freelances pour des projets spécifiques. Les missions portent sur plusieurs problèmes ML riches. La prédiction du churn : modèles de survie (Cox, modèles paramétriques) et classifieurs XGBoost entraînés sur les journaux de sessions de jeu (durée des sessions, progression dans les niveaux, achats in-game, interactions sociales) pour identifier les joueurs à risque d'abandon avant qu'ils ne partent. Le matchmaking intelligent : algorithmes de clustering (k-means, HDBSCAN) sur des features comportementales extraites de l'historique de jeu pour construire des segments de joueurs homogènes en termes de skill et de style de jeu, et modèles de prédiction de la qualité d'une partie avant que celle-ci ne commence. La détection de comportements toxiques ou de triche : modèles d'anomaly detection sur les patterns de jeu anormaux (mouvements de personnage statistiquement impossibles, patterns de kill suspects) et classification de textes de chat en NLP pour détecter les comportements toxiques. Ces missions nécessitent une expérience des données événementielles (event logs, clickstreams) et une maîtrise des modèles d'analyse séquentielle.

Les missions Dassault 3DEXPERIENCE requièrent un profil data scientist qui sort du périmètre classique des données tabulaires et des images. Trois compétences sont particulièrement discriminantes. Premièrement, le machine learning sur graphes : PyTorch Geometric et DGL sont les frameworks de référence. Savoir implémenter et adapter des architectures GNN (Graph Convolutional Networks, Graph Attention Networks, Message Passing Neural Networks) pour des problèmes de classification de nœuds, de prédiction de liens et de régression sur graphes est le prérequis technique central. Deuxièmement, les surrogate models et la simulation numérique : une familiarité avec les principes des simulations FEM (éléments finis) et CFD (mécanique des fluides numériques), et la capacité à construire des modèles ML qui les approximent (Neural Operators, PINN, DeepONet), est un avantage considérable. Troisièmement, la connaissance du domaine PLM : comprendre les concepts de gestion du cycle de vie produit (nomenclatures, configurations, révisions de plan, ECR/ECO) permet de formuler des problèmes ML pertinents depuis les données 3DEXPERIENCE et d'être autonome dans la phase de feature engineering — sans cette connaissance, le data scientist dépend entièrement des experts métier pour chaque question de définition des données.

L'équipe Data Science d'Ubisoft Bordeaux adresse plusieurs défis ML directement liés à l'expérience joueur. Le système de matchmaking équitable est un problème de ML complexe : prédire le niveau de skill d'un joueur depuis son comportement en jeu (et non seulement depuis son historique de victoires/défaites qui peut être biaisé), puis apparier les joueurs pour que les parties soient équilibrées et engageantes — trop facile crée de l'ennui, trop difficile crée de la frustration. Des modèles de régression sur des features comportementales extraites des replays et des modèles de multi-armed bandit pour l'exploration des nouvelles configurations de matchmaking sont les approches utilisées. La personalisation de la difficulté : des systèmes d'adaptation dynamique de la difficulté (Dynamic Difficulty Adjustment) par ML ajustent en temps réel les paramètres du jeu (vitesse des ennemis, précision des IA) pour maintenir le joueur dans sa zone de flux optimal. L'analyse des abandons de partie (session drop-off) : des modèles LSTM entraînés sur les séquences d'actions des joueurs identifient les moments précis où les joueurs tendent à quitter — des insights qui guident le game design pour éliminer les points de friction. Ces sujets forment un portfolio ML original et très différenciant pour un data scientist freelance.

Avec BinchamTalent, votre dossier est visible directement par les Heads of Data, CDO et CTO qui lancent des projets data science, sans intermédiaire commercial. Vous négociez votre TJM en direct — sans marge d'ESN prélevée (typiquement 20-40 % du TJM facturé au client final). Le contrat est signé en direct avec l'entreprise cliente. BinchamTalent vérifie les recruteurs et leur sérieux, mais n'intervient pas dans la relation contractuelle une fois la mise en contact établie. En pratique, cela se traduit par une rémunération nette plus élevée pour des missions équivalentes, et une relation directe avec les équipes data — vous évitez les commerciaux d'ESN qui résument votre profil en quelques lignes et vous font parfois passer pour une ressource générique au lieu d'un expert spécialisé.

Oui, la data science est l'une des spécialités numériques où le full remote est le plus normalisé. Les livrables — modèles ML, notebooks documentés, APIs de scoring, rapports d'expérimentation — sont intégralement numériques et compatibles avec le travail à distance. En 2026, environ 65 à 70 % des missions freelance data science proposent le remote complet ou un hybride (1 jour sur site par semaine pour les réunions stratégiques et les ateliers métier). Les rares missions qui imposent du présentiel intensif concernent des projets sensibles (données de défense classifiées, données de santé très strictement encadrées) ou des phases de démarrage de mission nécessitant une immersion dans l'environnement technique et métier du client. BinchamTalent indique clairement pour chaque mise en contact les conditions de travail attendues par le recruteur, afin que vous n'ayez pas de mauvaise surprise une fois la discussion engagée.