📊 Data Scientist Senior : plateforme d'IA industrielle

🏢 L'entreprise

Une startup early stage qui construit une plateforme de machine learning pour l'industrie, adossée à un éditeur déjà installé sur le terrain.

• Le produit : maintenance prédictive, corrélation qualité, suivi énergétique, optimisation du TRS. Deux familles d'algorithmes, quatre cas d'usage sur la ligne de production.
• La promesse : que l'usine obtienne une recommandation exploitable sans avoir à recruter un data scientist. Tout le workflow ML (choix des variables, prétraitement, sélection du modèle, calibration, détection de dérive) est automatisé.
• Les clients : des industriels de rang mondial, automobile, aéronautique, agroalimentaire.
• L'équipe data : elle n'existe pas encore. Tu es le premier.

🎯 Le rôle

Tu es recruté comme data scientist senior, et le poste est écrit pour devenir une fonction Head of Data. Concrètement : tu produis d'abord, tu structures ensuite, tu recrutes après.

• Tu conçois et industrialises les modèles au cœur du produit : détection d'anomalies, corrélation entre paramètres procédés et rebuts, modélisation de la consommation énergétique.
• Tu mets ces modèles en production et tu les fais tenir dans la durée : dérive, réentraînement, fiabilité.
• Tu construis les pipelines de données et l'architecture qui va avec, à mesure que de nouvelles sources industrielles arrivent.
• Tu poses la gouvernance : qualité, cohérence, documentation, monitoring, accès.
• Tu traduis les résultats en langage d'atelier. Un ingénieur procédés doit pouvoir agir sur ta sortie de modèle sans interprète.
• À terme, tu construis et tu pilotes l'équipe data.

⚠️ Ce qu'il faut savoir

Le périmètre est plus large que l'intitulé. Aujourd'hui c'est un poste de data scientist senior sur une équipe qui n'existe pas : tu fais toi-même le data engineering, le MLOps et la modélisation. La fonction Head of Data se construit avec la croissance de la boîte, elle n'est pas acquise à la signature.

L'autre particularité : la valeur du produit ne tient pas au modèle, elle tient à ce qu'il y a autour. Le client n'a pas de data scientist et n'en aura pas. Le vrai sujet est d'automatiser tout ce qu'un data scientist ferait à la main, et de le rendre fiable sur des données d'usine qui ne se ressemblent jamais d'un site à l'autre.

🔨 Les enjeux techniques

• Sans données labellisées : les usines n'étiquettent pas leurs défauts. Les modèles doivent apprendre le comportement normal et signaler l'écart.
• Haute dimension : des centaines de variables procédés par ligne, dont une poignée compte réellement. Isoler les bonnes, et expliquer pourquoi.
• Explicabilité obligatoire : une recommandation non justifiée n'est pas appliquée en atelier. L'interprétabilité n'est pas un bonus, c'est la condition d'adoption.
• Industrialisation : les modèles tournent chez des centaines de clients, sur des données hétérogènes, avec une installation annoncée en 48 heures.
• Temps réel : la détection d'anomalie doit répondre en quelques secondes.

🧑‍💻 La stack

• Langages : Python, SQL (R apprécié)
• Data engineering : pipelines ETL/ELT, Airflow, dbt, Spark
• Cloud : AWS ou Azure
• MLOps : déploiement, industrialisation et suivi des modèles en production
• Restitution : outils de data visualisation, API documentées
• Sources : données machines temps réel, protocole OPC-UA, capteurs, fichiers plats, API

🎯 Le profil recherché

• Expérience : profil senior, avec des modèles réellement passés en production, pas seulement des notebooks aboutis.
• Expertise : modélisation statistique et machine learning, détection d'anomalies, méthodes d'interprétabilité.
• Polyvalence : tu es à l'aise sur toute la chaîne, de l'ingestion à la mise en production. Sur ce poste, il n'y a personne d'autre pour le faire.
• Architecture data : tu sais concevoir le stockage et la circulation des données, et poser les standards.
• Orientation business : tu sais dire ce que ton modèle rapporte, en euros ou en points de rendement.
• Bonus : une expérience en environnement industriel, sur des données de capteurs ou de production.
• Langues : français courant, anglais professionnel.

🏢 Le cadre de travail

• Rattachement direct au président.
• Statut cadre, forfait jour.
• Poste basé à Paris, en hybride : présence sur site et télétravail.
• Travail étroit avec la technique et avec les équipes terrain côté clients.

🛑 Ce poste n'est pas pour toi si...

• Tu veux te concentrer sur la modélisation et laisser les pipelines et le déploiement à quelqu'un d'autre.
• Tu as besoin d'une équipe data et d'une plateforme déjà en place.
• Les données propres et labellisées sont une condition pour que tu travailles bien.
• Le titre de Head of Data doit figurer sur le contrat dès la signature.

✅ Ce poste est pour toi si...

• Tu veux voir tes modèles utilisés tous les jours par des gens en atelier, pas archivés dans un rapport.
• Construire une fonction data à partir de zéro te motive plus que l'optimiser à la marge.
• Tu aimes les problèmes où la donnée est sale, bruitée et non labellisée, parce que c'est là que le métier commence.
• Tu veux être le premier profil data d'un produit qui a déjà des clients industriels.

📌 Prérequis

• Français courant : l'équipe, la direction et une partie des clients travaillent en français.
• Autorisation de travailler en France valable, sans démarche à la charge de l'employeur.
• Basé en Île-de-France : le poste est en hybride, avec une présence régulière sur site à Paris, et rattaché à un contrat français.

🪜 Le process de recrutement

2 à 3 étapes, dont un échange avec le président. Compter deux à trois semaines.