Contexte

La fraude, qu’elle touche la finance, l’assurance ou le e-commerce, reste un défi majeur. Les méthodes traditionnelles, basées sur des règles fixes, ne suffisent plus face à des comportements frauduleux de plus en plus sophistiqués. La BU Analytics (BUA), dédiée à la data et à la R&D, propose ce stage afin d’explorer le potentiel des réseaux neuronaux avancés (CNN, RNN, GAN…) pour détecter des schémas de fraude complexes et développer des approches de nouvelle génération.

Missions

Réaliser une étude bibliographique sur les approches existantes de détection de fraude et sur les modèles de réseaux neuronaux appliqués à ce domaine.

Collecter, préparer et structurer des jeux de données adaptés à l’entraînement des modèles.

Développer et entraîner des architectures profondes (CNN, RNN, GAN, etc.) pour identifier des schémas de fraude complexes.

Évaluer les performances des modèles (précision, rappel, AUC) et les comparer à des approches plus traditionnelles.

Optimiser les modèles via le réglage d’hyperparamètres, l’augmentation de données et la régularisation.

Assurer une veille active sur les nouvelles avancées en matière de détection de fraude par IA.

Documenter les méthodes, résultats et recommandations pour un usage en entreprise.

Ce que tu vas apprendre et apporter

Approfondir ton expertise sur les architectures de deep learning appliquées à des cas concrets.

Expérimenter le passage de la recherche à un prototype opérationnel dans un domaine critique.

Contribuer directement à l’innovation de la BU Analytics, en explorant des approches inédites pour la détection de fraude.

Développer une vision complète, du traitement des données brutes à la mise en production d’un modèle avancé.

Étudiant(e) en dernière année d’école d’ingénieur ou Master 2 en IA, data science ou informatique.

Solides bases en apprentissage automatique et réseaux neuronaux.

Maîtrise de Python et des frameworks IA (TensorFlow, PyTorch).

Intérêt marqué pour la cybersécurité et les problématiques liées à la fraude.

Capacité à travailler de manière autonome et à synthétiser des informations complexes.

Un premier call avec notre chargée de recrutement

Un use case à réaliser à la maison

Un échange avec un.e manager technique