Spécialiste Data Science & AI (m/f/d) (80-100%)

Ce rôle est le fondement du nouveau Advanced Analytics AI Center of Excellence d'Accelleron. Ce rôle nécessite une expérience en codage et la manipulation de jeux de données structurés et non structurés. Ce rôle transforme les défis commerciaux en solutions fondées sur les données : identifier les bonnes données, construire et valider des modèles, traduire les résultats en informations exploitables et en valeur commerciale mesurable.

L'Advanced Analytics AI CoE développe des capacités agnostiques vis-à-vis des processus et agit en tant que partenaire expert pour les équipes de domaines de processus et les unités commerciales qui détiennent les solutions. Parallèlement à la réalisation concrète, le rôle aide le programme « AI citizen » à travers l'entreprise à travailler de manière sûre et efficace avec l'IA. Ces rôles aideront à atteindre le niveau de maturité supérieur des données IA.

Vos responsabilités :

Livraison de cas d'utilisation d'IA et de machine learning

• Soutenir et livrer des solutions fondées sur les données : de la définition du problème et de l'évaluation de la faisabilité au développement du modèle, à la validation, au déploiement et à la surveillance post-mise en service.
• Créer des informations exploitables en utilisant des méthodes de data science et d'IA : analyse statistique, machine learning, vision par ordinateur, Large Language Models appliqués à des problèmes commerciaux.
• Transfert de la solution vers une exploitation durable : documentation, approche de réentraînement et de surveillance, et responsabilité claire avec le domaine de processus et les équipes applicatives.

Partenariat commercial et traduction de la valeur

• Travailler avec les unités commerciales pour comprendre leurs besoins : collaborer avec les Divisions & Functions, clarifier le processus réel à améliorer et challenger si nécessaire.
• Traduire les résultats analytiques en valeur commerciale et en actions : expliquer les conclusions en langage commercial, quantifier les bénéfices attendus et définir ce qui doit changer en conséquence.
• Conseiller les utilisateurs métier de bout en bout : des entrées de données, de la sélection des caractéristiques, des approches de modélisation, de l'évaluation des résultats et de la mise en œuvre pratique du projet.
• Contribuer à la qualification des cas d'utilisation : évaluer la disponibilité et la qualité des données, l'effort, le risque et le retour attendu, et soutenir le processus de réception de la demande et de priorisation. Cela doit respecter les réglementations en place (EU AI Act, GDPR) et les processus internes (Security).

Sourcing de données et collaboration plateforme

• Identifier et sourcer les données pertinentes : localiser les bonnes données internes et externes, évaluer leur qualité, leur propriété et leur pertinence, et les préparer pour l'utilisation analytique.
• Travailler via l'Enterprise Data Layer et le Data Product Catalogue : consommer des produits de données gouvernés lorsqu'ils existent, signaler les lacunes à l'Enterprise Data Architect et aux propriétaires de produits de données plutôt que de créer des extractions ponctuelles (Créer une fois, déployer plusieurs fois).
• Identifier et sourcer les données pertinentes : localiser les bonnes données internes et externes, évaluer leur qualité, leur propriété et leur pertinence, et les préparer pour l'utilisation analytique.
• Travailler via l'Enterprise Data Layer et le Data Product Catalogue : consommer des produits de données gouvernés lorsqu'ils existent, signaler les lacunes à l'Enterprise Data Architect et aux propriétaires de produits de données plutôt que de créer des extractions ponctuelles (Créer une fois, déployer plusieurs fois).

Outils, ingénierie et standards

• Intégrer des outils tels que Python et R dans le paysage analytique, y compris les notebooks, les bibliothèques et leur utilisation au sein de Microsoft Fabric et de la plateforme de données de l'entreprise.
• Appliquer des pratiques de data engineering rigoureuses : contrôle de version, revue de code, gestion d'environnement, tests et pipelines répétables pour la préparation des données et l'entraînement des modèles.
• Aider à définir les méthodes et standards du CoE : approches de référence, modèles, documentation des modèles, critères d'évaluation et le chemin du prototype à la production.
• Évaluer les nouvelles méthodes et outils : évaluer leur adéquation pour Accelleron et faire des recommandations pragmatiques sur ce qu'il faut adopter.

Capacitation des « citizen data scientists » et partage de connaissances

• Permettre l'IA citoyenne : fournir des garde-fous, des modèles, de la formation et du coaching afin que les utilisateurs métiers puissent appliquer l'analyse avancée de manière sûre et efficace.
• Conseiller la communauté citoyenne sur le choix des méthodes : quand l'analyse en libre-service est appropriée, quand une solution livrée par le CoE est la meilleure réponse, et où se situent les risques.
• Partager les meilleures pratiques et collaborer avec les équipes Digital et IS (MS Copilot Studio CoE, ingénieurs de processus, propriétaires d'applications et l'équipe Digital AI), pour réutiliser les actifs plutôt que de dupliquer les capacités.
• Contribuer aux communautés de pratique pour accroître la culture de l'IA et des données à travers l'organisation.

Comment le succès est mesuré :

• Cas d'utilisation de Data Science & AI livrés en production, avec une valeur commerciale démontrable.
• Modèles qui sont documentés, surveillés et maintenables au-delà de leur auteur original.
• Solutions analytiques construites sur des produits de données gouvernés plutôt que sur des solutions sur mesure ponctuelles.
• Une communauté d'IA citoyenne croissante, capable et bien gouvernée j4id10417656a j4it0940a j4iy26a