Contexte et objectif

• Implémenter un système de détection de fraude basé sur l'analyse de motifs et la vérification automatisée.
• Objectif: détecter et prioriser les événements suspects pour automatiser les réponses et réduire les faux positifs.

Missions principales

• Concevoir et développer des algorithmes de détection (Isolation Forest, Autoencoders) pour identifier comportements anormaux.
• Implémenter pipelines de traitement à grande échelle et intégration avec les systèmes de notification et d'alerting.

Architecture & Stack technique

• Algorithmes : Isolation Forest, Autoencoders (auto-encoders) implémentés en PyTorch.
• Traitement : Apache Spark pour le pré-traitement et les pipelines de données.
• Bases de données et cache : Cassandra pour le stockage massif, Redis pour mise en cache et accès rapide.
• Monitoring et alerting : Prometheus et Grafana pour métriques/visualisation ; intégration d'alertes via Slack Webhooks et PagerDuty.

Tâches détaillées

• Développer et entraîner modèles de détection non supervisée et semi-supervisée, évaluer métriques (precision, recall, AUC).
• Intégrer modèles dans pipelines Spark et assurer inférence à haute performance et faible latence.
• Mettre en place stockage des résultats et des historiques d'incidents dans Cassandra avec cache Redis pour réponses temps réel.
• Déployer monitoring (Prometheus/Grafana) et configurer alerting vers Slack/PagerDuty pour incidents critiques.

Compétences requises

• Expérience en machine learning (modèles non supervisés, autoencoders) et bonnes connaissances en PyTorch.
• Maîtrise d'Apache Spark et d'architectures de traitement de données distribuées.
• Connaissances pratiques de Cassandra et Redis, et concepts de monitoring (Prometheus/Grafana).
• Bonnes pratiques d'intégration continue, déploiement et gestion d'alertes.

Modalités de candidature

• Pour postuler, envoyez votre CV et un court descriptif de votre projet/passage d'expérience à issam@code-reason.com.
• Précisez en objet votre intérêt pour ce projet et fournissez des exemples de travaux précédents (notebooks, repo GitHub, publications si disponibles).