En tant que Senior Computer Vision / Deep Learning Engineer, vous serez un membre clé de l’équipe R&D.
Vous concevrez, entraînerez, optimiserez et déploierez des modèles de deep learning au cœur des produits :

• Vérification documentaire
• Authentification faciale
• Détection de vie (liveness)
• Détection de fraude

Vous travaillerez sur des problématiques de computer vision impliquant images, vidéos et séquences temporelles dans un environnement fortement exposé aux attaques (fraude, spoofing, deepfake).

Vos missions :

Modélisation & Deep Learning

Concevoir et implémenter des modèles avancés pour :

• Analyse de documents d’identité
• Détection de falsification / altération
• Authentification faciale & liveness
• Détection de spoofing / deepfakes
• Modélisation temporelle vidéo & tracking

Exploration des modèles SOTA

Expérimenter avec :

• Transformers (ViT, DETR-like, SAM…)
• Modèles génératifs / diffusion (augmentation, détection d’anomalies)
• Réseaux optimisés pour faible latence (quantization, pruning, distillation)

Cycle complet de recherche

• Veille scientifique & analyse de littérature
• Prototypage, expérimentation et itérations rapides
• Évaluation sur jeux de données à grande échelle
• Passage en production avec les équipes engineering

Collaboration transverse

Travailler avec les équipes Product, Risk, Fraud et Engineering pour transformer la recherche en produits réels.

Contribution interne

• Présentation de papiers & animation de sessions de partage
• Mentorat (ML engineers / stagiaires)
• Participation éventuelle à des benchmarks ou publications

Compétences indispensables

• 3 ans d’expérience minimum en deep learning appliqué à la vision (dont une partie en production : startup, scale-up, laboratoire industriel…).
• Excellente maîtrise de :
  • Python
  • PyTorch (ou équivalent)
  • Entraînement de modèles à grande échelle
• Expérience solide dans au moins un des domaines :
  • Vision temps réel (tracking, détection vidéo)
  • Biométrie / reconnaissance faciale / liveness
  • Analyse documentaire (OCR, data extraction, prétraitement)

Bases théoriques solides :

• Statistiques, optimisation
• Supervised / self-supervised learning
• Lecture et interprétation d’articles scientifiques (ICCV, CVPR, NeurIPS…)

Expérience produit :

• Contraintes : latence, robustesse, ressources hardware, sécurité, privacy

Nice-to-have

• Connaissance fraude documentaire, KYC, cybersécurité, identité numérique
• Compétences MLOps (déploiement, serving GPU/CPU, monitoring)
• Publications / participations à benchmarks
• Français : professionnel (optionnel)
• Anglais : courant (obligatoire)