Ingénieur senior en machine learning – Modèles de scoring et d’audience (Europe, télétravail)

Emploi pas sur LinkedIn

🔥 il y a 22 minutes

🇪🇺 Europe – Télétravail

⏰ Temps Plein

🟠 Senior

🤖 Ingénieur Machine Learning

👻 Score fantôme 25%

Ce que ça veut dire : la probabilité que personne ne recrute vraiment pour cette offre.Comment le lire : 60 % ou plus, on pense que c'est une offre fantôme. Un score plus bas est moins inquiétant.Comment on la calcule : ancienneté, republications, postes ouverts vs taille de l'équipe, rapidité de clôture, et si le salaire est indiqué.À noter : une estimation à partir de données publiques, pas un jugement sur l'entreprise. De vraies offres peuvent avoir un score élevé, alors prenez-le comme un indice, pas comme un fait.

Postuler Maintenant

Trouver des Emplois à Distance Similaires

iDelsoft

Site WebLinkedInTous les Emplois

51 - 200 employés

Fondée en 2019

💼 Conseil

📣 Marketing

📦 Logistique

Consulting • Marketing • Logistics

iDelsoft est un partenaire technologique basé à Tampa, spécialisé dans le développement logiciel et la constitution d’équipes dédiées pour les entreprises à forte croissance. L’entreprise propose un éventail de services, notamment le développement d’applications sur mesure et la recherche de talents, afin de fournir des solutions de haute qualité et d’éviter aux entreprises des interruptions d’activité coûteuses. En mettant l’accent sur les startups et les grandes entreprises, iDelsoft conçoit des solutions technologiques évolutives et fiables, adaptées à leurs objectifs spécifiques.

Description

• Prendre en charge de bout en bout le scoring des comptes et des leads, notamment la définition des cibles, la conception des labels, le feature engineering, la sélection des modèles et leur calibration • Concevoir des systèmes de lookalike et de similarité pour identifier les comptes à fort potentiel et les valider par rapport à des baselines ajustées • Utiliser Elasticsearch comme source de features et couche de serving, notamment via les agrégations, la recherche vectorielle et l’indexation des scores des modèles • Concevoir une évaluation sans fuite de données, avec des métriques alignées sur les décisions prises : lift, précision à k, calibration et expérimentations en ligne • Traiter la résolution d’entités, la déduplication, les données manquantes, le bruit dans les labels, les biais d’échantillonnage et les boucles de rétroaction • Développer les pipelines d’entraînement et d’inférence, le stockage des features, le scoring batch et le scoring quasi temps réel • Intégrer les systèmes de scoring à des services Node.js • Superviser les modèles en production afin de détecter la dérive et la dégradation, puis les réentraîner selon une fréquence justifiable • Collaborer avec les équipes produit et engineering pour exposer les scores dans l’application • Expliquer aux clients ce que les scores signifient — et ce qu’ils ne signifient pas

🎯 Exigences

• Au moins 4 ans d’expérience en machine learning ou en data science, dont au moins 2 ans consacrés à la mise en production de modèles supervisés ayant guidé de véritables décisions • Solides bases théoriques en machine learning, deep learning et statistiques avancées — diplôme à dominante quantitative ou formation rigoureuse équivalente • Bonne maîtrise des mathématiques du machine learning, au-delà de la simple utilisation d’API • Expertise en estimation et inférence, échantillonnage et biais de sélection, tests d’hypothèses et puissance statistique, régularisation et compromis biais/variance, calibration probabiliste, ainsi qu’en distinction entre affirmations causales et corrélationnelles • Excellente maîtrise de Python, scikit-learn, XGBoost/LightGBM, PyTorch ou TensorFlow, pandas/Polars, NumPy et SciPy • Expérience de l’extraction et de l’agrégation de features à grande échelle à partir de data stores documentaires ; capacité à travailler directement avec le query DSL et les agrégations d’Elasticsearch • Expérience des modèles de ranking, de propension, de similarité, de recommandation ou de churn/conversion • Capacité à justifier les cibles des modèles, la provenance des labels, les limites de la validation et les échecs survenus après le lancement • Expérience de la mise en place de fondations et d’infrastructures ML à un stade précoce • Rigueur d’ingénierie : gestion de versions, tests, CI et conteneurs • Capacité à transmettre un service de scoring à une équipe Node.js • Atouts : dense_vector et recherche kNN dans Elasticsearch, significant_terms, scoring via rank_feature, conception d’index et optimisation des performances des requêtes • Atouts : connaissance des données B2B, du GTM, du martech, de l’adtech, de l’enrichissement CRM et des fournisseurs de données firmographiques • Atouts : recherche des plus proches voisins approximatifs avec pgvector, Qdrant ou FAISS • Atouts : learning-to-rank, modélisation de graphes/réseaux, outils MLOps, publications, résultats en compétitions ou contributions open source en machine learning appliqué

📊 Vérifiez votre score de CV pour ce poste

Améliorez vos chances d'obtenir un entretien en vérifiant votre score de CV avant de postuler.

Télécharger le CV