Data Scientist - Alternance : « Explicabilité de modèles de forecast – Projet AIfluence » (H/F)

Contenu de l'offre Data Scientist - Alternance : « Explicabilité de modèles de forecast – Projet AIfluence » (H/F) chez QUANTMETRY

À propos

Quantmetry est le cabinet de conseil de référence en intelligence artificielle, pionnier, pure player et indépendant depuis sa création en 2011. Animés par la volonté de proposer une gouvernance de la data supérieure et des solutions d’intelligence artificielle à l’état de l’art, les 120 collaborateurs et chercheurs-consultants de Quantmetry mettent leur passion au service des entreprises de tous secteurs pour des résultats business impactant.

Nos réalisations tournent autour de thématiques telles que :

Industrie 4.0 : maintenant prédictive, suivi de la qualité de production… Détection de fraude : mais également de corruption, de blanchiment d’argent… Supply Chain : optimisation de stocks, prédiction de ventes, optimisation de tournées… Connaissance client : segmentation client, détection de churn, scoring client…

Très active au sein de la communauté Data et IA de Paris, Quantmetry est également connue pour ses projets de veille et de R&D, ainsi que pour des initiatives telles que DataJob -le salon des métiers de la Data- ainsi que les meet-ups Paris Data Ladies et AI Engineering.

Préalable

Quantmetry propose ci-dessous le volet R&D d’une offre d’alternance. Tout alternant entrant chez Quantmetry, outre le travail de R&D qui lui est proposé et pour lequel il sera encadré, aura aussi pour objectif de participer à certaines missions de conseil chez des clients variés, lui permettant d’aborder le monde du consulting.

Les missions de conseil pour découvrir le métier de consultant en Data Science consisteront à apprendre à :

Élaborer des besoins métier Définir des principes et méthodes de collecte et de traitement de données Sélectionner les modèles ou techniques les plus adaptées à un projet (Computer Vision, Time Series, NLP, Machine Learning...) au regard de l’architecture-cible Mettre en application des techniques d’industrialisation d’algorithmes par la conception de modèles robustes, intelligibles, et un code proprement architecturé Restituer des analyses, résultats ou produits obtenus auprès d’interlocuteurs métiers

Contexte

Quantmetry se positionne depuis plusieurs années comme pionnier sur des sujets d'Intelligence Artificielle nécessitant une forte composante R&D. Afin de satisfaire au mieux les besoins de ses clients, Quantmetry se structure autour de pôles d’expertises, et en particulier le pôle RAI (Reliable AI), ou IA de confiance.

L’IA de confiance a défrayé la chronique avec le licenciement de Timnit Gebru, une chercheuse chez Google licenciée après avoir soumis un papier sur le manque d’auditabilité des derniers algorithmes état de l’art comme GPT-3. L’IA de confiance regroupe en réalité plusieurs thématiques autour de l’intelligence artificielle et des contraintes apportées par le monde de l’entreprise :

L’intelligibilité et la transparence des algorithmes La robustesse et la notion d’incertitudes L’éthique et les biais algorithmiques L’IA durable et la sobriété numérique

L’intelligence artificielle de demain repose sur des algorithmes capables non seulement de fournir des prédictions justes, mais également capables de les expliquer à un opérateur humain pour gagner sa confiance et l’aider dans son métier. De plus, tous les modèles font des erreurs, et il est donc impossible d’homologuer une intelligence artificielle à fort impact sociétal sans lui donner les moyens de calculer l’incertitude liée à ses prédictions. Par ailleurs, le déploiement massif de l’intelligence artificielle ne peut se faire sans appliquer un principe de précaution quant aux potentiels biais qu’elle engendre. Enfin, dans un contexte d’urgence climatique, utiliser l’IA à bon escient pour combattre le réchauffement climatique et limiter la consommation de ressources est une étape nécessaire à la construction d’une société durable. Quantmetry a écrit un livre blanc sur l’IA de confiance, et dispose d’une longue expérience de construction et d’audits d’intelligences artificielles dans tous les secteurs économiques.

En ce moment, le domaine de l’intelligibilité de modèles de machine learning fait l’objet d’une attention particulière suite à l’annonce de réglementations Européennes sur l’IA de confiance. En effet, tous les jours, des modèles prennent d’innombrables décisions impactant plus ou moins la vie des gens. Bien que performants, ces modèles sont souvent basés sur des algorithmes complexes et très peu interprétables. Il est donc nécessaire d’utiliser des méthodes d’intelligibilité pour comprendre leur fonctionnement interne. De plus, l’UE est en train d’identifier des cas d’usages « critiques » dans lesquels il sera obligatoire d’être capable d’expliquer toute prise de décision algorithmique.

L’approche à choisir pour expliquer un modèle de machine learning dépend de nombreux facteurs, le type de donnée traitée étant primordial dans le choix des méthodes à utiliser. Le cas des Time Series est particulièrement délicat à cause des problématiques liée à l’autocorrélation naturelle des données. En effet, beaucoup de techniques populaires d’explicabilité, par exemple SHAP, fonctionnent mal dans le cas où les données sont corrélées. Il est donc nécessaire d’utiliser des approches innovantes afin de produire des interprétations fidèles à l’algorithme.

Les équipes R&D de Quantmetry proposent dès aujourd’hui des solutions d’IA explicable pour divers cas d’usages de régression et de classification et s’intéressent maintenant aux problématiques d’explicabilité de modèles de forecast dans le cadre du projet AIfluence. Ce projet de recherche s’appuie sur des données transmises par la SNCF sur le périmètre des trains transiliens : données de comptage billettique, comptage à bord, plan de transport… Il s’agit donc d’un sujet de Time Series avec une composante géospatiale puisque la topologie du réseau a une importance.

TÂCHES PROPOSÉES

L’alternant devra poursuivre les travaux effectués dans le cadre de AIfluence et implémenter les méthodes adaptées pour expliquer les prédictions de forecast obtenues. Dans ce cadre, l’alternant devra :

Faire le benchmark des techniques d’IA explicable dans le cadre des time series (black box et glass box) Proposer et tester les méthodes les plus adaptées Implémenter un pipeline d’IA explicable sur les données de AIfluence en se basant sur les méthodologies de Quantmetry Restituer les explications dans un dashboard interactif (Streamlit)

RÉSULTATS ATTENDUS

Les résultats attendus sont des supports écrits et visuels du processus d’explicabilité, ainsi que le code source des pipelines et de la web-app, accompagné d’une documentation scientifique et technique. Une ou plusieurs restitutions sous forme de présentation orale à des publics experts ou novices sont également à prévoir.

RÉSULTATS ATTENDUS

Les résultats attendus sont des supports écrits et visuels du processus d’explicabilité, ainsi que le code source des pipelines et de la web-app, accompagné d’une documentation scientifique et technique. Une ou plusieurs restitutions sous forme de présentation orale à des publics experts ou novices sont également à prévoir.

COMPÉTENCES SOUHAITÉES

Nous recherchons une personne dynamique et curieuse, qui saura s'intégrer et faire progresser notre ambitieuse expertise Reliable AI !

Savoir-être

Autonome Travail en équipe Proactif

Data Science

Machine Learning Appétant aux thématiques IA de confiance (intelligibilité, robustesse, éthique)

Engineering

Python Bonnes pratiques de développement logiciel