Stg recherche - Développement d'un framework de scores de confiance F/H

L'ambition de la Division Innovation est de porter plus loin l'innovation d'Orange et de renforcer son leadership technologique, en mobilisant nos capacités de recherche pour nourrir une innovation responsable au service de l'humain, éclairer les choix stratégiques du Groupe à long terme et influencer l'écosystème digital mondial.
Nous formons les expertes et les experts des technologies d'aujourd'hui et de demain, et veillons à une amélioration continue de la performance de nos services et de notre efficacité. La division Innovation rassemble, dans le monde, 6000 salariés dédiés à la recherche et l'innovation dont 740 chercheurs. Porteurs d'une vision globale avec une grande diversité de profils (chercheurs, ingénieurs, designers, développeurs, data scientists, sociologues, graphistes, marketeurs, experts en cybersécurité...), les femmes et les hommes de Innovation sont à l'écoute et au service des pays, des régions et des business units pour faire d'Orange un opérateur multiservices de confiance.

Au sein d'IT Services, la Digital Cloud Services en particulier la Digital Intelligence Factory traite d'automatisation, identité, solutions data. Composée d'une vingtaine de permanents, accueillant 4 doctorants, PROF est une équipe orientée analyse de données, machine learning et intelligence artificielle, conjuguant travaux de recherche et mise en oeuvre applicative.

Les membres de l'équipe sont basés à Lannion (majoritairement) et Paris.


Ce stage vise à concevoir et développer un framework permettant de calculer et d'utiliser des scores de confiance pour les modèles de prédiction du risque de défaut. L'objectif est d'évaluer la fiabilité des prédictions, d'identifier les cas à risque élevé d'incertitude, et d'intégrer ces scores dans le processus de prise de décision.
Contexte
Dans le cadre de la digitalisation des services financiers, notamment en banque en ligne, l'évaluation précise du risque de défaut est essentielle pour optimiser l'octroi de crédits et garantir la stabilité financière. Cependant, la fiabilité des modèles de prédiction reste un enjeu majeur, en particulier pour assurer la transparence et la robustesse des décisions automatisées.
Ce que vous allez faire
- Étudier l'état de l'art sur la quantification de l'incertitude et la confiance dans les modèles de machine learning, notamment dans le contexte bancaire.
- Développer un framework permettant de générer des scores de confiance pour les modèles de risque de défaut.
- Implémenter ces scores dans un pipeline de modélisation, en intégrant des techniques d'explicabilité et d'analyse de robustesse.
- Évaluer la performance et la fiabilité du framework sur des jeux de données réels ou simulés.

Étudiant(e) en Data Science, Statistique, Informatique ou domaine équivalent.
Intérêt pour la modélisation prédictive, la gestion de l'incertitude et la finance.
Connaissance des techniques de machine learning, notamment pour l'évaluation de la confiance ou l'explicabilité.
Rigueur, esprit d'analyse, et capacité à travailler en autonomie.