Data Scientist / Ingénieur(e) IA & Machine Learning - NLP & Analyse Prédictive (poste ouvert alternance ou 1er CDI)

Mission principale

En tant que Data Scientist / Ingénieur(e) IA, vous êtes le pilier technique de la Data Science au sein d'Equinoxe. Vous prenez le relais sur les initiatives d'intelligence artificielle déjà amorcées et devenez la ressource interne clé pour :

• L'architecture et la conception des modèles (Machine Learning & LLM) ;
• L'analyse et le traitement des données brutes clients ;
• Le développement, le déploiement (MLOps) et la documentation des algorithmes ;
• La garantie de l'indépendance technique de l'entreprise sur ces sujets.

Vous êtes attendu(e) comme un(e) contributeur(trice) autonome, capable de comprendre des enjeux métiers (marketing associatif) pour produire des modèles prédictifs fiables et des outils basés sur le langage naturel.\n\n

Responsabilités clés

• Machine Learning & Analyse Prédictive (Equinox'IA) : Maintenir, optimiser et développer de nouveaux algorithmes d'apprentissage automatique (classification, régression, séries temporelles) pour répondre aux besoins des ONG : prédiction de l'attrition (churn), scoring de campagnes (probabilité de don), ou identification de profils propices aux legs sont autant d'initiatives déjà implémentées par Equinoxe pour satisfaire aux besoins de ses clients.
• IA Générative & NLP : Poursuivre le développement de notre traducteur "Text-to-Code". Permettre aux utilisateurs de formuler des briefs de sélection marketing en langage naturel et les convertir automatiquement en requêtes techniques propriétaires (langage Rex) via des approches de similarité sémantique (Sentence-to-Vec) et des inférences LLMs 100% souveraines.
• Data Engineering & Industrialisation : Analyser, nettoyer et restructurer les données clients souvent hétérogènes (fichiers Excel, exports de bases). Gérer le déploiement des modèles de l'environnement local (Jupyter) vers la production sur nos serveurs Linux/GPU (via Docker).
• Gouvernance & Documentation : Assurer un versionning rigoureux du code (Git), documenter massivement les algorithmes et l'architecture pour rendre le code maintenable et lisible par le reste de l'équipe technique de développement logiciel.

Vous rejoignez une PME saine, avec l'agilité d'une petite équipe (7 personnes) adossée à un groupe solide. Vous aurez l'opportunité de travailler sur un terrain de jeu exceptionnel (des données structurées de très haute qualité) pour le compte d'acteurs de l'économie sociale et solidaire (Tech for Good). Vos choix d'architecture auront un impact direct sur le produit et sur l'efficacité de la collecte de fonds en France.

• Expérience : Vous êtes issu(e) d'une formation supérieure en Data Science, IA ou Informatique (type école d'ingénieur ou master spécialisé).

Note : Ce poste est ouvert aux profils juniors ou alternants en fin d'études très autonomes (type Epitech, EM Lyon ou équivalent) ayant une forte capacité d'apprentissage.

• Maîtrise Technique : Une solide base en Python et en algorithmique prédictive est indispensable, couplée à un vif intérêt pour les innovations récentes en LLM.
• Culture IT globale & Sécurité : Une sensibilité aiguë aux problématiques de souveraineté des données, de RGPD et d'éthique de l'IA (transparence, réduction des hallucinations).
• Sens du collectif & Pédagogie : Vous serez le référent Data de l'équipe. Il vous faudra être pragmatique, savoir expliquer vos modèles (XAI) aux non-techniciens (commerciaux, direction) et collaborer avec l'équipe de développement existante (Delphi/Webdev).

Environnement technique & compétences recherchées

Notre objectif est de fournir des solutions d'IA transparentes, explicables (pas de "boîtes noires") et strictement souveraines (hébergement local ou cloud français, modèles IA déployés localement) pour respecter la confidentialité des données de nos clients caritatifs.

• Data Science & Machine Learning (Frugal)Maîtrise experte de Python et des bibliothèques d'analyse/ML (Pandas, Scikit-learn, etc.).
• Modélisation prédictive classique, clustering, et méthodes d'explicabilité (SHAP values).

IA Générative & Traitement du Langage Naturel (NLP)

• Compréhension fine des petits modèles de langage (SLM type Mistral, Llama, Liquid AI) déployables en local.
• Architecture RAG, vectorisation (Embeddings), similarité sémantique et Prompt Engineering.

Données & Architecture

• Modélisation relationnelle et requêtage complexe (SQL, Postgre

  SQL, My

  SQL).
• Capacité à appréhender un modèle de données "métier" dense.

Déploiement & Qualité (MLOps)

• Environnement Linux (Debian), conteneurisation (Docker, Kubernetes léger).
• Versionning strict (Git) et bonnes pratiques d'ingénierie logicielle.