Intelligence artificielle et data : IA comportementale et prédictive : détection des comportements atypiques et recommandation prédictive

Objectif

Contribuer à la conception du moteur d'IA comportementale et prédictive de Flexee, qui protège les jeunes contre la fraude et propose à chacun, ainsi qu'aux partenaires, les offres les plus adaptées.

Contexte

Le sujet comporte trois volets construits sur la même base : l'analyse des comportements d'usage (paiements, recharges/transferts, progression dans les parcours d'apprentissage).

Volet A : détection des comportements atypiques

• Identifier les comportements anormaux en temps réel : usage inhabituel d'un moyen de paiement, recharges/transferts suspects, comptes multiples, transactions atypiques.
• Combiner règles métier et modèles d'apprentissage (détection d'anomalies, scoring de risque).
• Concevoir les alertes vers les parents et l'équipe Flexee, en limitant les faux positifs.

Volet B : recommandation prédictive

• Proposer aux jeunes les meilleurs plans : objectifs d'épargne, budgets, parcours d'apprentissage adaptés à leur profil.
• Aider les partenaires à cibler les offres les plus pertinentes pour les jeunes.
• Prédire l'engagement et le risque d'abandon pour déclencher le bon accompagnement au bon moment.

Volet C : infrastructure, GPU ou API

• Comparer deux approches d'exécution des modèles : hébergement sur GPU (serveurs dédiés ou cloud) et appel de modèles via API.
• Faire de la protection des données des utilisateurs le critère décisif : localisation et transit des données, chiffrement, données anonymes avant tout traitement, absence de réutilisation des données par un tiers et protection renforcée des mineurs. Une option qui ne garantit pas ces points est écartée.
• Évaluer ensuite les options retenues sur des critères mesurés : performance des modèles, latence, coût à l'usage et à l'échelle, dépendance fournisseur, effort d'exploitation.
• Recommander une architecture cible, éventuellement hybride, qui garde les données sensibles sous le contrôle de Flexee, selon les cas d'usage (scoring temps réel, recommandation, accompagnement des jeunes).

Missions

1. Construire un jeu de données de simulation réalistes et anonymes pour l'entraînement et l'évaluation : le PFE porte exclusivement sur ces données de simulation.
2. Concevoir l'architecture du moteur : collecte des événements, features comportementales, modèles, API de scoring.
3. Développer et évaluer les modèles de détection des comportements atypiques et de recommandation.
4. Mener l'étude comparative GPU / API avec des bancs d'essai reproductibles.
5. Garantir une IA explicable, équitable et respectueuse des mineurs : pas de recommandation incitant à la dépense, décisions sensibles validées par un humain.
6. Intégrer le moteur aux produits Flexee et le mettre en production avec un suivi de performance.

Livrables attendus

• État de l'art et choix argumenté des approches
• Jeu de données de simulation anonymes et pipeline de features
• Modèles entraînés, évalués et documentés
• Rapport d'étude comparative GPU / API avec recommandation d'architecture
• API de scoring intégrée et tableau de bord de suivi
• Charte d'IA responsable appliquée aux jeunes

Compétences recherchées

Python, scikit-learn, XGBoost ou équivalent, PyTorch ou TensorFlow, SQL, bases en MLOps, déploiement de modèles sur GPU (CUDA, conteneurs) et intégration d'API d'IA. Une expérience en détection d'anomalies, systèmes de recommandation ou séries temporelles est un plus.

Indicateurs de réussite

Taux de détection et de faux positifs sur les comportements atypiques, taux d'adoption des recommandations, coût et latence par prédiction, progression de l'engagement des jeunes accompagnés.

Cadre du stage

Les stages portent sur des données de simulation et anonymes. Un encadrant dédié suit chaque stagiaire, et une proposition d'embauche est possible à l'issue du PFE.