Research Engineer

En tant que Senior Computer Vision / Deep Learning Engineer, vous serez un membre clé de l'équipe R&D. Vous concevrez, entraînerez, optimiserez et déploierez des modèles de deep learning au coeur des produits : * Vérification documentaire * Authentification faciale * Détection de vie (liveness) * Détection de fraude Vous travaillerez sur des problématiques de computer vision impliquant images, vidéos et séquences temporelles dans un environnement fortement exposé aux attaques (fraude, spoofing, deepfake). Vos missions : Modélisation & Deep Learning Concevoir et implémenter des modèles avancés pour : * Analyse de documents d'identité * Détection de falsification / altération * Authentification faciale & liveness * Détection de spoofing / deepfakes * Modélisation temporelle vidéo & tracking Exploration des modèles SOTA Expérimenter avec : * Transformers (ViT, DETR-like, SAM) * Modèles génératifs / diffusion (augmentation, détection d'anomalies) * Réseaux optimisés pour faible latence (quantization, pruning, distillation) Cycle complet de recherche * Veille scientifique & analyse de littérature * Prototypage, expérimentation et itérations rapides * Évaluation sur jeux de données à grande échelle * Passage en production avec les équipes engineering Collaboration transverse Travailler avec les équipes Product, Risk, Fraud et Engineering pour transformer la recherche en produits réels. Contribution interne * Présentation de papiers & animation de sessions de partage * Mentorat (ML engineers / stagiaires) * Participation éventuelle à des benchmarks ou publicationsCompétences indispensables * 3 ans d'expérience minimum en deep learning appliqué à la vision (dont une partie en production : startup, scale-up, laboratoire industriel). * Excellente maîtrise de : * Python * PyTorch (ou équivalent) * Entraînement de modèles à grande échelle * Expérience solide dans au moins un des domaines : * Vision temps réel (tracking, détection vidéo) * Biométrie / reconnaissance faciale / liveness * Analyse documentaire (OCR, data extraction, prétraitement) Bases théoriques solides : * Statistiques, optimisation * Supervised / self-supervised learning * Lecture et interprétation d'articles scientifiques (ICCV, CVPR, NeurIPS) Expérience produit : * Contraintes : latence, robustesse, ressources hardware, sécurité, privacy Nice-to-have * Connaissance fraude documentaire, KYC, cybersécurité, identité numérique * Compétences MLOps (déploiement, serving GPU/CPU, monitoring) * Publications / participations à benchmarks * Français : professionnel (optionnel) * Anglais : courant (obligatoire)