Contexte & objectifs

• Étudier les corrélations entre comportements techniques, résultats des labs et indicateurs de performance.
• Définir un cadre analytique pour modéliser l’impact des actions, stratégies et patterns observés afin d’améliorer l’objectivité des scores.

Missions principales

• Collecter, nettoyer et préparer les jeux de données liés aux comportements techniques, logs de labs et indicateurs de performance.
• Réaliser des analyses exploratoires et statistiques pour identifier patterns, corrélations et variables explicatives pertinentes.
• Concevoir et tester des modèles quantitatives (statistiques, apprentissage supervisé/non supervisé) pour prédire ou expliquer la performance des candidats.
• Proposer des mesures qualitatives et quantitatives et méthodes d’évaluation robustes pour renforcer l’objectivité des scores.

Méthodologie & outils attendus

• Utilisation d’outils de data science et d’IA (Python, pandas, scikit-learn, bibliothèques de deep learning si pertinent) et techniques de feature engineering.
• Validation croisée, tests statistiques, interprétabilité des modèles (SHAP, LIME ou méthodes similaires) et évaluation des biais.

Encadrement & profil recherché

• Intégration dans l’équipe existante, encadré par un tuteur dédié.
• Profil demandé : Ingénieur Data Science, Mathématiques, Statistiques, IA.
• Attentes : rigueur méthodologique, compétences en modélisation statistique/ML, capacité à rédiger un rapport méthodologique exploitable pour R&D/IA.

Livrables attendus

• Rapport méthodologique détaillé servant de base aux futures innovations IA et R&D de Scalyz.
• Code reproductible, notebooks d’analyse, jeux de données préparés et modèle(s) documenté(s).

Candidature

• Pour postuler, suivre le lien : Postuler - Scalyz PFE .
• Préparez un CV, lettre de motivation et exemples de travaux ou notebooks pertinents.