Data scientist confirmé - réseaux, exposition et audit des plateformes (H/F)
Posted 2
views
Summary
A senior data scientist at ARCOM, the French regulator for audiovisual and digital communication, turns regulatory questions into experiments: measuring content exposure, recommendation and filter-bubble effects, and coordinated/influencer behavior. The work relies on Python, SQL, causal inference, network/graph analysis, and modern ML tooling including PyTorch, Hugging Face and LLMs.
RESPONSABILITÉS :
-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.
PROFIL RECHERCHÉ :
-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.
-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.
PROFIL RECHERCHÉ :
-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.