Machine Learning Engineer / Data Scientist (F/H)

SCorp-io; Paris; Hybrid; EUR 65,000 - 95,000; Full time

Job summary

SCorp-io recherche un Data Scientist ML pour développer des modèles prédictifs du comportement thermique et énergétique des bâtiments à partir de données réelles. Vous contribuerez à modéliser l’inertie, les délais entre commandes et leur effet, et à exploiter des séries temporelles incluant météo et occupation.

Vous travaillerez au sein de l’équipe Produit & Tech, en lien étroit avec les développeurs et les équipes opérationnelles pour mettre en production, monitorer et améliorer les modèles.

Qualifications

• Solide formation scientifique, data ou ingénieur.
• Maîtrise de Python, NumPy, pandas, SciPy, scikit-learn ou équivalents.
• Expérience en Machine Learning supervisé (régression, arbres) et en séries temporelles.
• Connaissance des métriques MAE, RMSE, R² et validation de modèles.
• Notions d’optimisation numérique et d’inférence temporelle.

Responsibilities

• Construire des modèles prédictifs du comportement thermique des bâtiments.
• Modéliser l’inertie, les vitesses de chauffage/refroidissement et les délais entre une commande et son effet.
• Exploiter des séries temporelles multivariées: météo, occupation et historique de fonctionnement.
• Prévoir températures, besoins thermiques et consommations.
• Développer des fonctions d’Optimal Start / Stop.
• Comparer modèles statistiques, ML, dynamiques ou hybrides physique/data.

Skills

Python

NumPy

pandas

SciPy

scikit-learn

Time series forecasting

Ridge/Lasso

Random Forest

XGBoost/LightGBM

KPI / validation metrics

MPC / optimisation

Kalman filters

State-space models

Deep Learning (PyTorch)

Tools

PyTorch

Modelica

EnergyPlus

MLflow

MLOps

Job description

En tant que ML Data Scientist, tu développeras les modèles permettant à SCorp-io de comprendre, prévoir puis optimiser le comportement thermique et énergétique des bâtiments à partir de leurs données réelles.

Tu travailleras notamment à partir de :

• Températures,

• Consommations,

• Météo,

• Occupation,

• Calendriers,

• Consignes,

• Commandes,

• Etats des équipements.

L’objectif est de construire progressivement une boucle :

Modéliser → Prévoir → Mesurer → Optimiser → Apprendre

Tu travailleras au sein de l’équipe Produit & Tech, en lien étroit avec les développeurs, les experts CVC et les équipes opérationnelles.

Tes missions

01Machine Learning & modélisation

• Construire des modèles prédictifs du comportement thermique des bâtiments,

• Modéliser l’inertie, les vitesses de chauffage/refroidissement et les délais entre une commande et son effet,

• Exploiter des séries temporelles multivariées intégrant météo, occupation et historique de fonctionnement,

• Prévoir températures, besoins thermiques et consommations,

• Développer des fonctions d’Optimal Start / Stop,

• Comparer différentes approches : modèles statistiques, Machine Learning, modèles dynamiques ou hybrides physique/data.

02Mesure de performance

• Construire des baselines et modèles de consommation attendue,

• Mesurer l’écart entre prédictions et observations,

• Contribuer à l’évaluation des gains énergétiques et du ROI,

• Quantifier l’incertitude et détecter les dérives,

• Définir les conditions dans lesquelles un modèle est suffisamment fiable pour être utilisé.

03Optimisation et industrialisation

À mesure que les modèles gagnent en maturité :

• Optimiser horaires et consignes selon l’inertie, la météo et l’occupation,

• Contribuer progressivement à l’optimisation des lois d’eau, lois d’air, PAC, CTA et réseaux hydrauliques,

• Explorer des approches d’optimisation sous contraintes ou de contrôle prédictif,

• Participer à la mise en production, au monitoring et à l’amélioration continue des modèles.

Tu disposes d’une solide formation scientifique, data ou ingénieur et maîtrises plusieurs des domaines suivants :Compétences clésPython, NumPy, pandas, SciPy, scikit-learn ou équivalents,Machine Learning supervisé : régression linéaire, Ridge/Lasso, Random Forest, XGBoost/LightGBM ou équivalents,Séries temporelles et forecasting,Statistiques, feature engineering et validation de modèles,Backtesting, MAE, RMSE, R² ou métriques adaptées,Optimisation numérique.Un vrai plusUne expérience sur plusieurs de ces sujets constitue un vrai plus :identification de systèmes, state-space models, filtres de Kalman,modèles hybrides physique/data,PyTorch ou Deep Learning appliqué aux séries temporelles,Modelica, EnergyPlus ou outils de simulation,MPC / optimal control / optimisation sous contraintes,MLflow, MLOps et monitoring de modèles.Les expériences dans le bâtiment, l’énergie, la thermique, l’industrie, la mécanique, l’IoT ou d’autres systèmes physiques nous intéressent particulièrement.Une expérience directe du CVC est appréciée, mais une forte expérience en modélisation de systèmes physiques dans un autre domaine peut être tout aussi pertinente.