Poste à pourvoir
Contexte
L’assistant intelligent qui accélère la croissance des artisans et indépendants. BPartners allège les artisans sur la gestion de leur entreprise afin qu’ils puissent passer le plus de temps possible à faire de l’artisanat. Plus précisément, BPartners propose les 3 fonctionnalités suivantes : (Fonc1) la relance automatique des devis non confirmés et des factures impayés (Fonc2) l’encaissement immédiat des fonds dès la fin de la prestation de l’artisan (Fonc3) la recherche assistée de nouveaux clients et la fidélisation assistée des anciens clients.
Le présent poste s’inscrit dans le contexte de (Fonc3). Nous souhaitons créer un moteur de recommandation qui propose à l’artisan deux types de profils à contacter : (Profil1) de nouveaux prospects pour les convertir en nouveaux clients (Profil2) des clients déjà existants en train d’être perdus et qu’il faudrait fidéliser.
Problématique scientifique
Nous proposons de construire un système de recommandation hybride [1, Section Hybrid recommender systems]. Plus précisément, nous souhaitons construire notre système en deux phases : (Phase1) à travers une approche à base de connaissances d’abord (Phase2) à travers une approche à base de contenus ensuite. Bien que cette approche en deux temps soit déjà connue [1, Section Knowledge-based, §3], elle ne peut pas s’appliquer trivialement au cas de BPartners.
Pour (Phase1) nous souhaitons encoder les connaissances à travers des règles métiers traitées par un Business Rules Management System (BRMS). La principale difficulté réside dans la richesse des règles à encoder pendant (Phase1). En effet, la CMA recense 250 métiers de l’artisanat : en supposant que les règles ne portent que sur 5 variables (distance du client par rapport à l’artisan, âge, budget…), et en supposant qu’elles s’énoncent toutes sous forme de contraintes linéaires, alors il y aurait déjà 250*5 = 1 250 poids de variable à déterminer manuellement.
Missions
Vous aurez la responsabilité de mener la R&D nécessaire afin de lever les verrous scientifiques rencontrés lors de la construction de notre solution. Dans cet effort, BPartners est accompagné par le Commissariat à l’Energie Atomique (CEA), à travers leur laboratoire d’Intelligence Artificielle symbolique ExpressIf: vous aurez donc à interagir régulièrement avec ces derniers.
Vous devrez implémenter vous-même les preuves de concepts sur les solutions que vous proposez. Une fois vos prototypes validés, vous serez aidés par l’équipe de développeurs et d’exploitants de BPartners pour les maturer jusqu’en production.
Profil recherché
1. Titulaire d’un doctorat en informatique délivré par une université européenne. Le sujet de thèse aura porté sur l’Intelligence Artificielle (IA).
2. Solides compétences à la fois en IA symbolique (BRMS) et en IA statistique (ML).
3. Solides compétences en programmation, notamment en Java.
4. La connaissance de Java Spring est un plus.
5. La connaissance de AWS est un plus.
6. Solides compétences interculturelles, nos équipes étant réparties entre la France et Madagascar.
7. Est à la recherche de son premier CDI après sa diplomation.
Conditions de travail
1. Lieu de travail chez La Pépinière 27, notre incubateur dans le 11e arrondissement de Paris.
2. Prise de poste : juin 2023.
3. Rémunération brute annuelle : entre 50k€ et 60k€ selon profil.
4. Prise en charge du pass Navigo à 50%.
5. Mutuelle d’entreprise proposée.
6. Ordinateur portable au choix entre un Windows, un Linux ou un Mac.
Contactez nous :
Bibliographie
[1] Ricci, F., Rokach, L. and Shapira, B., 2011. Introduction to recommender systems handbook. In Recommender systems handbook (p. 1-35). Springer.
[2] Jain, A.K., 2010. Data clustering: 50 years beyond K-means. Pattern recognition letters, vol. 31 (p. 651-666).
[3] Bessiere, C., Koriche, F., Lazaar, N. and O'Sullivan, B., 2017. Constraint acquisition. Artificial Intelligence, vol. 244 (p. 315-342).
[4] Proctor, M., 2011. Drools: a rule engine for complex event processing. In International symposium on applications of graph transformations with industrial relevance (p. 2). Springer.
[5] Boyer, J. and Mili, H., 2011. IBM websphere ilog jrules. In Agile business rule development (p. 215-242). Springer.
[6] Abdallah, N.B., Boudet, L., Friedmann, E., Lomet, A. and Poli, J.P., 2022. ExpressIF®, une IA symbolique et explicable. Association française pour l’intelligence artificielle, bulletin 116 (p. 47).