4c5ddf0f40019101ca692a302110bb68.jpg

Découvrez Capgemini

  • ESN, Editeurs de logiciel, Services informatiques

Strategy & transformation consultant 1 1

  • ESN, Editeurs de logiciel, Services informatiques
  • Moins d'1 an
  • Stage
  • De 19000.0 à 22800.0 EUR par an
  • Bac + 5 et plus (Data & IA - Strategy & Transformation)
  • ( 92 - Hauts-de-Seine )
    Plus d'infos
  • ref : 570007

L'essentiel du poste

Missions
  • Cadrage: traduire le besoin métier en problème de modélisation et définir les critères de succès
  • Machine Learning: préparer les données, concevoir les variables, comparer les modèles et analyser les performances
  • Modélisation: entraîner des modèles sur différents types de données et concevoir des solutions LLM
  • Évaluation: mesurer l’incertitude, la robustesse et les biais; expliquer les modèles aux métiers et à la gouvernance
Compétences attendues
  • Data Science
  • Modélisation ML
  • Évaluation de modèles
  • Industrialisation des modèles
  • LLM
Qualités recherchées
  • Rigueur analytique
  • Curiosité scientifique
À savoir avant de postuler
  • écrans prolongés
  • concentration soutenue
Mentionné dans l'annonce Déduit par l'IA
Vous correspondez si
Vous visez un stage Bac+5+ en Data Science/IA, moins d’1 an d’expérience, et vous pouvez contribuer à un projet R&D en Lab et en clientèle.
Résumé généré par l'IA -
peut contenir des inexactitudes

Offre proposée par Capgemini, sur la plateforme Talents Handicap, pour l'emploi des personnes en situation de handicap (RQTH ou équivalent).

Le poste détaillé

Vos missions

NFAI accompagne les clients au coeur de leurs problématiques Data, IA. Elle identifie et met en oeuvre les solutions technologiques pour assurer une croissance durable.

Notre ambition : placer la Data Science et l’IA au cœur des stratégies d’entreprise. En stage, vous contribuerez à un projet de R&D du Lab et à des missions clients, de la définition du besoin à la mise en production :

  • Cadrage : traduire le besoin métier en problème de modélisation, identifier les données et définir les critères de succès ;
  • Machine Learning : préparer les données, concevoir les variables, comparer les modèles et analyser leurs performances ;
  • Modélisation : entraîner des modèles sur différents types de données et concevoir des solutions LLM (RAG, prompts, agents), avec des protocoles d’évaluation adaptés ;
  • Évaluation : mesurer l’incertitude, la robustesse et les biais, puis expliquer les modèles aux métiers et aux instances de gouvernance ;
  • Industrialisation : produire un code testé et reproductible, suivre les expérimentations et contribuer aux modèles et pipelines CI/CD avec les Data Engineers ;
  • Veille : suivre les avancées scientifiques et technologiques et enrichir les ressources réutilisables du cabinet.

  • Cadrage : traduire le besoin métier en problème de modélisation, identifier les données et définir les critères de succès ;
  • Machine Learning : préparer les données, concevoir les variables, comparer les modèles et analyser leurs performances ;
  • Modélisation : entraîner des modèles sur différents types de données et concevoir des solutions LLM (RAG, prompts, agents), avec des protocoles d’évaluation adaptés ;
  • Évaluation : mesurer l’incertitude, la robustesse et les biais, puis expliquer les modèles aux métiers et aux instances de gouvernance ;
  • Industrialisation : produire un code testé et reproductible, suivre les expérimentations et contribuer aux modèles et pipelines CI/CD avec les Data Engineers ;
  • Veille : suivre les avancées scientifiques et technologiques et enrichir les ressources réutilisables du cabinet.
  • Cadrage : traduire le besoin métier en problème de modélisation, identifier les données et définir les critères de succès ;
  • Machine Learning : préparer les données, concevoir les variables, comparer les modèles et analyser leurs performances ;
  • Modélisation : entraîner des modèles sur différents types de données et concevoir des solutions LLM (RAG, prompts, agents), avec des protocoles d’évaluation adaptés ;
  • Évaluation : mesurer l’incertitude, la robustesse et les biais, puis expliquer les modèles aux métiers et aux instances de gouvernance ;
  • Industrialisation : produire un code testé et reproductible, suivre les expérimentations et contribuer aux modèles et pipelines CI/CD avec les Data Engineers ;
  • Veille : suivre les avancées scientifiques et technologiques et enrichir les ressources réutilisables du cabinet.