Contexte et objectif

• Réaliser un moteur de recommandations basé sur l'IA pour proposer des programmes de bien‑être personnalisés aux employés.
• Améliorer l'engagement et la santé des collaborateurs en recommandant des actions, contenus et parcours adaptés au profil, historique et préférences de chaque salarié.
• Stage destiné à un(e) étudiant(e) en Diplôme : Ingénieur Informatique, durée du stage : 6 mois.

Missions principales

• Concevoir et implémenter des modèles de recommandation (collaboratif, basé contenu, modèles hybrides et approches basées deep learning) et pipelines de traitement des données.
• Exploiter des techniques NLP pour analyser questionnaires, retours utilisateurs et descriptions d'activités afin d'enrichir les profils et caractéristiques des items.
• Entraîner et comparer des modèles avec PyTorch et/ou TensorFlow, suivre les expériences avec MLflow et définir métriques (precision@k, recall@k, NDCG, A/B testing).
• Développer une API de service de recommandations avec FastAPI, containeriser l'application avec Docker et préparer le déploiement sur AWS EC2.

Compétences et technologies requises

• Maîtrise de Python, connaissance de TensorFlow et/ou PyTorch pour le développement de modèles ML/DL.
• Expérience ou intérêt pour le NLP (prétraitement texte, embeddings, fine-tuning de modèles) et manipulation SQL pour l'accès aux données.
• Connaissance des outils MLOps : MLflow pour le tracking des expériences, gestion des modèles et reproductibilité ; Docker pour le packaging ; déploiement sur EC2.
• Bonnes pratiques d'engineering : tests, CI/CD basique, documentation du code et gestion de versions.

Livrables et encadrement

• Livrables attendus : code source complet, jeu(s) de données (prétraités et anonymisés), modèles entraînés, pipeline d'entraînement/reprise, API de recommandation déployable, documentation technique et rapport de stage.
• Encadrement technique par l'équipe TECH (WHUB TECH TEAM) avec points réguliers, revue de code et validation des livrables.
• Critères d'évaluation : qualité des recommandations (métriques), robustesse du pipeline, documentation, facilité d'intégration et déploiement ainsi que présentation finale.

Contraintes et points pratiques

• Respecter la confidentialité et l'anonymisation des données employés.
• Prioriser la reproductibilité (MLflow), scalabilité (containerisation) et latence raisonnable pour l'API.
• Langue de travail : français/anglais selon besoin des documents techniques.