Tuniform
Tuniform
Tunisie

1 AI / Data Science Engineer PFE

AI / Machine LearningData Engineering & AnalyticsRecommender Systems

Publié il y a 7 mois

Stage
⏱️3-6 mois
💼Hybride
📅Expiré il y a 6 mois
Reste lisible (ATS friendly).

Description du poste

Overview

  • Rôle : AI / Data Science Engineer chez Tuniform, en charge de la couche d'intelligence liée aux recommandations, catégorisation, prédiction d'engagement et métriques.
  • Objectifs principaux : concevoir et entraîner des modèles pour le feed, scorer le spam/l'engagement, et implémenter la classification de contenu (image + texte) sur 18+ catégories.

Responsabilités clés

  • Concevoir et entraîner des modèles de recommandation de feed et de scoring spam/engagement, en utilisant des frameworks modernes (TensorFlow / PyTorch).
  • Implémenter des pipelines pour la collecte et le traitement des données comportementales (clics, likes, vues) et construire des embeddings pertinents.
  • Déployer des modèles en production en collaboration avec l'équipe backend sous forme de microservices en Golang ou Python.
  • Analyser les KPIs liés à la rétention, la monétisation et la croissance pour éclairer les décisions produit et améliorer les modèles.

Profil recherché / Compétences

  • Formation en AI/ML, data science ou mathématiques appliquées avec expérience pratique en apprentissage automatique.
  • Maîtrise pratique de TensorFlow ou PyTorch, scikit-learn et des techniques d'embeddings.
  • Confort avec SQL, Golang ou Python et expérience avec des pipelines de production (ETL, feature stores, monitoring de modèles).
  • Intérêt marqué pour les plateformes sociales et les systèmes de recommandation; capacité à travailler sur la scalabilité de la couche d'intelligence.

Postuler

  • Postulez via le lien : https://app.dover.com/jobs/tuniform
  • Ou envoyez votre candidature par e‑mail à talents@tuniform.tn en utilisant pour objet : "Application PFE - AI / Data Science Engineer".
  • Indiquez dans votre email vos projets/expériences en recommandation, classification multimodale (image+texte) et exemples de pipelines ou déploiements en production.