Ingénieur IA / Machine Learning

Mission au sein du laboratoire LIPN de l'Université Sorbonne Paris Nord pour mener des travaux de recherche et développement en Intelligence Artificielle.

• Conception et développement de modèles de Machine Learning et Deep Learning en Python et PyTorch pour l'analyse de données complexes.
• Développement de pipelines expérimentaux couvrant la préparation des données, l'entraînement, la validation, l'évaluation, l'interprétation et la visualisation des modèles.
• Conception et évaluation de modèles de Computer Vision, notamment des CNN et des architectures de type Multiple Instance Learning avec mécanismes d'attention.
• Développement et comparaison de différentes approches de modélisation afin d'identifier les solutions les plus performantes.
• Mise en place et analyse d'indicateurs quantitatifs pour mesurer les performances, la stabilité et la fidélité des modèles.
• Automatisation des expérimentations et structuration des traitements afin d'améliorer la reproductibilité et la fiabilité des résultats.
• Utilisation de Git pour le versionnement, le suivi des développements et le travail collaboratif.
• Rédaction de la documentation des travaux, rédaction scientifique et présentation des résultats techniques.

Mission auprès de l'Université Sorbonne Paris Nord en tant qu'enseignant vacataire pour dispenser des enseignements en informatique auprès des étudiants.

• Animation de travaux dirigés et de travaux pratiques en programmation, algorithmique et résolution de problèmes auprès d'étudiants en informatique.
• Vulgarisation de concepts techniques complexes et accompagnement d'interlocuteurs non spécialistes.

Pipeline Machine Learning / Deep Learning (Python, PyTorch, Scikit-learn, Git) :

• Développement de pipelines couvrant préparation des données, entraînement, validation et évaluation de modèles de Machine
• Learning et Deep Learning.
• Automatisation des expérimentations et comparaison reproductible de différentes approches.
• Analyse et visualisation des performances des modèles à partir d’indicateurs quantitatifs.
• Analyse et traitement de données complexes (Python, SQL, BigQuery, Power BI) :
• Collecte, nettoyage et structuration de données issues de plusieurs sources.
• Analyse de données pour identifier des signaux et tendances dans des bases complexes.
• Création d’indicateurs et de visualisations facilitant l’analyse et la prise de décision.