Data Quality Engineer

Quels seront les enjeux du poste et votre contribution ? Projet 1 – Jumeau numérique d’un procédé de fermentation (entité ATV) Vous contribuez à la conception d’un jumeau numérique d’un procédé de fermentation en milieu biphasique pour la production de glycolipides (mannosylérythritol lipides, MEL). L’objectif est de mieux comprendre, prédire et piloter ces procédés en couplant modélisation mécaniste et approches data-driven. À ce titre, vous serez amené(e) à : - Structurer et préparer les jeux de données issus des campagnes de fermentation – mesures en ligne et hors ligne (biomasse, substrats, gaz, concentrations en produit) – incluant l’imputation des valeurs manquantes, la mise à l’échelle et le feature engineering. - Développer des modèles prédictifs (réseaux de neurones, forêts aléatoires, SVM…) de la quantité de MEL produite (par type) en fonction des paramètres de fermentations et des mesures en ligne réalisées sur les fermenteurs. - Contribuer à la mise en place de modèles cinétiques (systèmes d’équations différentielles, cinétiques de type Monod / Michaelis-Menten) décrivant la croissance cellulaire, la consommation des substrats et la formation du produit. coupler ces deux briques – mécaniste et apprentissage – au sein d’un jumeau numérique permettant de simuler différentes stratégies de conduite (alimentation, ratios substrat/biomasse, durée) et d’aider à la décision en cours de procédé. - Evaluer la performance des modèles (MSE, MAE, R²…) et garantir la reproductibilité des résultats (versionnage du code et des données). Projet 2 – Valorisation de données sur parcelles agricoles Vous accompagnez un projet de collecte et de valorisation de données issues de parcelles agricoles, visant à proposer une offre de données « raffinées » qui permette aux coopératives agricoles de fiabiliser leurs études de réduction d’impact environnemental (analyses de cycle de vie, bilans d’émissions) sur leur périmètre. Vos missions principales : - Réaliser des analyses descriptives des données collectées afin de qualifier les différentes sources (complétude, cohérence, fiabilité). - Concevoir des algorithmes de nettoyage automatique des données brutes (détection d’anomalies, harmonisation, contrôles de cohérence). - Développer des algorithmes prédictifs permettant de combler les données manquantes (imputation). - Restituer les résultats de manière claire et pédagogique auprès des équipes métiers et des partenaires (coopératives).