Stage Dtection avance de fraude par analyse de sries temporelles et IA hybride

Objectifs

Dans le cadre dun projet innovant de dtection de fraude bas sur lanalyse de consommation multifluide nous cherchons amliorer notre modle existant. Lobjectif de ce stage est de dvelopper et dintgrer un modle de dtection danomalies spcialis dans lanalyse de sries temporelles de consommation puis de le combiner avec notre modle supervis actuel pour crer une solution hybride performante.

Votre mission sera de concevoir implmenter et optimiser cette approche en utilisant des techniques de pointe en machine learning et en analyse de sries temporelles. Vous travaillerez sur des donnes relles de consommation avec pour dfi didentifier efficacement les patterns anormaux indicateurs de fraude potentielle dans un contexte o la gestion des incertitudes et la prcision des prdictions sont cruciales.
 

Missions principales

• Appropriation du contexte du projet et des enjeux spcifiques la dtection de fraude sur donnes de consommation ;

• Analyse approfondie des sries temporelles de consommation multifluide ;

• Recherche et implmentation dalgorithmes de dtection danomalies adapts aux sries temporelles

• Dveloppement dun modle non supervis spcialis dans la dtection danomalies sur les profils de consommation temporels ;

• Intgration du modle de dtection danomalies avec le modle supervis existant pour crer une solution hybride ;

• valuation comparative des performances entre lapproche existante et la nouvelle approche hybride ;

• Optimisation fine des modles pour maximiser la prcision de dtection tout en minimisant les faux positifs ;

• Documentation dtaille de lapproche et prsentation des rsultats lquipe projet.

Qualifications :

Formation

Niveau Bac5 (universit ou cole dingnieur) :

en data science machine learning et/ou mathmatiques appliques.

Vos comptences 

Vous possdez :

• Une solide exprience en machine learning particulirement dans les techniques avances de dtection danomalies et lanalyse de sries temporelles ;

• Des comptences avances en programmation Python et dans lutilisation des bibliothques de data science (Numpy Pandas Scikitlearn etc.) ;

• Des comptences approfondies en deep learning notamment dans limplmentation et loptimisation de modles complexes comme les Transformers et les GAN pour les sries temporelles ;

• Une matrise des frameworks de deep learning (TensorFlow PyTorch Keras) et une capacit implmenter des architectures de rseaux de neurones avances ;

• Une connaissance des dernires avances en matire de modles de dtection danomalies pour les sries temporelles y compris les approches bases sur lattention et les modles gnratifs ;

• Une familiarit avec les outils de versioning (Git) et les environnements de dveloppement collaboratif ;

• Des capacits travailler avec des bases de donnes et effectuer des requtes SQL ;

• Une aisance dans la visualisation de donnes et la cration de dashboards ;

• Des comptences en communication pour prsenter efficacement les rsultats techniques un public nontechnique.

Vos qualits votre savoirtre

Vous tes : 

• Passionn(e) par lapplication de techniques avances de machine learning et danalyse de sries temporelles des problmatiques concrtes ;

• Capable de penser de manire crative pour adapter les algorithmes existants aux spcificits des donnes de consommation ;

• Dot(e) dun esprit analytique pointu avec une capacit identifier des patterns subtils dans les donnes temporelles ;

• Capable de suivre comprendre et implmenter rapidement les dernires avances en matire de dtection danomalies dans les sries temporelles publies dans la littrature scientifique ;

• Capable de communiquer clairement vos ides et vos rsultats en mettant laccent sur linterprtabilit des modles ;

• Motiv(e) par les enjeux thiques lis la dtection de fraude et conscient(e) de limpact potentiel de vos analyses.

Informations supplmentaires :

En tant quentreprise inclusive Veolia sengage pour la diversit et accorde la mme considration toutes les candidatures sans discrimination. 

Remote Work :

No

Employment Type :

Fulltime