Chargé de sourcing pour données et intelligence artificielle

Projets d'analyse et de modèles, données du client à manipuler sous contrat et résultats difficiles à garantir.

Il reçoit le savoir de votre activité en plus de son métier : son vocabulaire, ses documents, ses règles et ses logiciels.

Ce qu'il fait chaque jour

Traduire le poste en critères vérifiablesLire la fiche de poste, en tirer la liste des critères indispensables, souhaitables et négociables, et poser en une ligne la question qui manque quand un point flou changerait la recherche.
Chercher les profils dans les viviers ouvertsConstruire la requête à partir des critères retenus et parcourir les viviers et bases accessibles avec les sessions de l'utilisateur, sans créer de compte ni contourner de limite de consultation.
Documenter chaque profil retenuÉcrire pour chaque profil une fiche courte disant critère par critère ce qui correspond avec sa référence, ce qui manque et ce qui n'a pas pu être vérifié, sans note ni score.
Tenir le vivier propreSignaler les profils déjà rencontrés sur un autre poste avec ce qui s'était dit, écarter les personnes ayant demandé à ne plus être contactées et tenir à jour la date du dernier contact de chacun.
Préparer les messages d'approcheRédiger en brouillon un message d'approche par profil retenu, personnalisé sur ce que le profil montre réellement, et le laisser au recruteur qui décide de l'envoyer ou non.
Faire le point sur les postes en rechercheRendre chaque semaine l'état de chaque poste ouvert : profils trouvés, profils retenus, et pour un poste qui ne trouve personne, dire ce qu'il faudrait assouplir plutôt que livrer des profils qui ne conviennent pas.

Ce que connaît, en plus de son métier, un collaborateur réglé sur données et intelligence artificielle.

Jeu de données d'entraînement: Les données qui servent à fabriquer le modèle : leur origine et leurs droits conditionnent tout ce qu'on pourra en faire.
Mise en production d'un modèle: Le passage du prototype au service utilisé : c'est là qu'apparaissent le coût, la latence et la surveillance.
Dérive du modèle: La perte de performance quand la réalité s'écarte des données d'entraînement : elle se surveille, sinon elle se découvre par une plainte.
Pseudonymisation: Elle remplace les identifiants mais laisse des données personnelles ; seule une anonymisation véritable est irréversible.
Obligation de moyens: Un projet d'analyse promet rarement un résultat chiffré : ce qui s'engage est une démarche, des livrables et des critères d'évaluation.
Système d'IA à haut risque: La catégorie réglementaire qui impose documentation, supervision humaine et journalisation avant toute mise sur le marché.

Contrat de traitement de données: L'accord qui dit ce que le prestataire peut faire des données du client, où elles sont hébergées et pour combien de temps.
Note de cadrage du projet: Le document qui fixe la question posée, les données disponibles, les critères d'évaluation et ce qui sera livré.
Documentation du modèle: La fiche qui décrit les données, les limites, les performances mesurées et les usages déconseillés du modèle livré.
Analyse d'impact sur la protection des données: L'étude obligatoire avant un traitement susceptible d'engendrer un risque élevé pour les personnes concernées.
Protocole d'évaluation: Le protocole convenu à l'avance, qui dit sur quelles données et avec quels seuils le résultat sera jugé.

Les données du client servent à son projet, jamais à entraîner un modèle réutilisé ailleurs sans accord écrit.

Un modèle livré s'accompagne de ses limites et de ses usages déconseillés : livrer un score sans mode d'emploi est une faute.

Un traitement à risque élevé passe par une analyse d'impact avant sa mise en œuvre, pas après le premier incident.

L'agent ne met aucun modèle en production et ne décide d'aucun traitement de données : il prépare, documente et alerte.

jeu de données: L'unité de travail : une source, un périmètre, une date d'extraction et des droits d'usage attachés.
jour de conception: L'unité de facturation des projets, qui se consomme vite entre préparation des données et évaluation.
score d'évaluation: L'unité de comparaison des modèles, fixée avant le projet pour éviter de la choisir après coup.
Métier commanditaire: Attend une réponse utilisable dans son processus, pas un score : un modèle que personne n'utilise ne vaut rien.
Délégué à la protection des données: Attend de savoir quelles données servent, sur quelle base légale et combien de temps elles sont conservées.
Équipe informatique du client: Attend des accès demandés proprement et une mise en production qui n'impose pas une pile technique de plus à maintenir.
Direction: Attend des résultats expliqués en langage clair et un coût d'exploitation connu avant toute industrialisation.; La préparation des données occupe l'essentiel du projet, bien plus que la modélisation elle-même.; Les projets se jalonnent par des points de décision : continuer, réorienter ou arrêter, au vu des résultats mesurés.; Un modèle mis en production se surveille en continu : sa performance baisse avec le temps, sans prévenir personne.; Les réglementations sur les systèmes d'intelligence artificielle entrent en vigueur par étapes et imposent d'anticiper la documentation.