CS27 - BAC+5 - Data Scientist - Évaluation et déploiement de modèles multimodaux pour des cas d’usage industriels

Renault Group investit dans l’IA pour répondre à des besoins métiers variés, de la conception à la production. Vous rejoindrez le Centre d’Excellence IA de Renault Digital, qui réunit une quinzaine de data scientists et porte les projets d’IA transverses du groupe.

Vous travaillerez en lien direct avec les équipes des usines ou métier qui seront vos interlocuteurs pour définir les cas d’usage et valider vos recommandations. Vous aurez accès à des cas d’usage issus de plusieurs directions (industrie, ingénierie, finance, qualité, après-vente) et à des données variées : séries temporelles, images, audio, vidéo, verbatims.

• Moyens techniques : environnement GCP, accès à des API de modèles en ligne, matériel embarqué de test si besoin.
• Lieu : Boulogne-Billancourt (3 j/sem) et télétravail (2 j/sem), avec déplacements ponctuels au Technocentre de Guyancourt et sur sites de production.
• Encadrement :
  • T. Phe-Neau, PhD, Chapter Leader, Data Scientist @ Renault Digital
  • A. Vouillon, Head of AI CoE @ Renault Group

Déterminer, pour les cas d’usage industriel définis, quel type de modèle multimodal déployer, et outiller ce choix de façon durable.

La durée de vie des modèles déployés est aujourd’hui d’environ un an. Les modèles open source (ex. Gemma, DeepSeek, Qwen) déployés en interne peuvent s’affranchir du cycle de vie des fournisseurs. Mais en usine, le bon choix dépend aussi de la latence, de la connectivité, de la confidentialité, du matériel en bord de ligne et du coût. Vous comparerez donc trois familles d’approches : modèles en ligne via API (référence de performance), modèles open source auto-hébergés sur GCP et modèles embarqués sur matériel edge.

L’évaluation pourra porter sur deux problématiques, précisées avec les équipes métier : la détection d’anomalies sur images ou la transcription vocale (speech-to-text) avec vocabulaire spécifique.

• Cadrer les cas d’usage avec les équipes des usines et les équipes data science du AI CoE: données disponibles, contraintes terrain, critères de succès.
• Benchmarker les modèles : revue bibliographique, analyse comparative des caractéristiques, sélection de modèles par famille.
• Définir les métriques de chaque cas d’usage :
  • qualité métier (ex : rappel à taux de fausse alarme fixé et F1 pour les anomalies, WER et taux d’erreur sur le vocabulaire métier pour la transcription) ;
  • robustesse (ex : éclairage, bruit d’atelier, accents) ;
  • opérationnel et coût (ex : latence, débit, mémoire, coût par inférence) ;
  • pérennité (ex : licence, souveraineté, dépendance fournisseur).
• Construire le framework d’évaluation en Python, reproductible et extensible à de nouveaux modèles et cas d’usage.
• Déployer et comparer les solutions retenues sur GCP ou sur matériel embarqué, en testant des leviers d’optimisation (fine-tuning léger, quantisation).
• Rédiger la guideline d’usage : recommandation d’approche et de modèle par cas d’usage, validée avec les usines, et bonnes pratiques pour un usage pérenne (long-term support).

Vous êtes en dernière année d’école d’ingénieur ou de Master 2, avec une spécialisation en data science, IA ou vision par ordinateur.

• Solides bases en Machine Learning, Deep Learning et traitement multimodal (vision, audio).
• Maîtrise de Python et des frameworks IA.
• Connaissance des environnements cloud avec déploiement d’endpoints et de conteneurs (GCP apprécié).
• Notions d’inférence optimisée ou d’embarqué appréciées (quantification, vLLM, ONNX, TensorRT, Jetson).
• Rigueur expérimentale et capacité à analyser et synthétiser des résultats scientifiques.
• Autonomie, curiosité pour le terrain et aisance pour échanger avec des équipes opérationnelles en usine.

• Expertise sur les modèles multimodaux open source et commerciaux, et sur leur intégration en environnement industriel, du cloud à l’embarqué.
• Expérience pratique sur des problématiques réelles et variées, au contact des équipes des usines.
• Contribution à un framework et à des guidelines stratégiques pour l’IA générative en entreprise.
• Connaissance des bonnes pratiques MLOps pour le déploiement des projets IA chez Renault Group.
• Intégration aux équipes du AI CoE, aux séances de best practices et découverte des sujets IA de bout en bout.