Data scientist confirmé – réseaux, exposition et audit des plateformes
Il y a 2 jours
Paris, Île-de-France
Arcom
Temps plein
65 000 € - 90 000 € Contrat
Gratuit avec email ou Google
Enregistrez cette offre et organisez votre recherche
Créez un compte gratuit pour enregistrer des offres d'emploi, créer des alertes et revenir à cette liste depuis votre tableau de bord.
Gratuit avec email ou Google
En continuant, vous acceptez nos Conditions d’utilisation & Politique de confidentialité.
- Traduire les questions de régulation en problèmes expérimentaux, sur contenus audiovisuels et numériques.
- Concevoir des plans d'expérience et mobiliser l'inférence causale pour estimer l'effet d'un système ou d'une intervention.
- Mesurer circulation, diffusion et exposition : bulles de filtre, effets des recommandations.
- Caractériser comportements coordonnés, harcèlement organisé et écosystèmes d'influenceurs à partir de signaux combinés.
- Construire et itérer les modèles de réseaux, clustering, anomalies et similarité, avec deux doctorants sur les réseaux.
- Apporter les méthodes au pôle audiences et aux demandes des directions : indicateurs, parité, évaluation de chaînes automatiques.
- Exploiter les données accessibles (transparence, DSA, API, partenaires) ; rédiger et présenter les résultats avec les laboratoires partenaires.
- Doctorat, ENS, école d'ingénieurs ou master quantitatif avec trois à cinq ans d'expérience (data scientist confirmé·e).
- Science des données, statistique, économétrie, informatique, physique appliquée, réseaux ou sciences sociales computationnelles.
- Python, SQL et écosystème ML moderne ; PyTorch, Hugging Face, pratique concrète des LLM et de l'IA générative.
- Maîtrise des outils algébriques et statistiques, ainsi que du formalisme nécessaire à la lecture d’articles à l’état de l’art en ML et genAI.
- Conception d'expériences et pratique de l'inférence causale.
- Analyse de graphes ou de réseaux : construction, communautés, centralités, diffusion, réseaux temporels selon les cas.
- Clustering, détection d'anomalies, similarité ; data science générale : exploration, classification, modélisation, visualisation.
- Code lisible, versionné, reproductible ; savoir expliquer signal, corrélation et conclusion démontrée ; anglais professionnel.
- Autonomie dans les itérations, l’exécution, le partage de résultats
- Recommandation, comportements coordonnés, intégrité de l'information, données de plateformes ou d'exposition seraient un plus.