Mission freelance data scientist à Rennes (2026)

Orange R&D Rennes fait appel à des data scientists freelances pour des projets de recherche appliquée sur les données de réseau télécom. Les missions portent sur plusieurs sujets. La détection d'anomalies réseau : développement de modèles non supervisés (LSTM Autoencoder, Isolation Forest, DeepSVDD) pour détecter des dégradations de qualité de service et des comportements anormaux dans des flux de données réseau en temps réel (surveillance des KPI de qualité des liaisons 4G et 5G). La prédiction de la qualité d'expérience (QoE) : modèles de régression pour prédire la qualité perçue par l'utilisateur final (score MOS — Mean Opinion Score) à partir de métriques réseau mesurées côté réseau, permettant une intervention proactive avant que l'utilisateur ne dégrade son expérience. La recommandation d'offres télécom : systèmes de recommandation pour personnaliser les offres et les contenus pour les clients Orange, en utilisant des données comportementales et de consommation. Ces missions requièrent une familiarité avec les données télécom et les contraintes de déploiement en temps réel dans des pipelines de streaming.

Thales LAS France à Rennes, spécialisé dans les systèmes de communication sécurisés et la cyberdéfense, génère des missions data science pour des projets de ML appliqués à la cybersécurité. Ces missions sont de haute technicité et souvent soumises à des contraintes de confidentialité. Les projets portent sur : la détection d'intrusions (construction de modèles de classification et d'anomaly detection sur des données de logs réseau et de comportements utilisateurs pour identifier des attaques APT avancées), la classification de malwares (analyse statique et dynamique de code malveillant par des modèles ML — caractéristiques extraites des binaires, graphes d'appels de fonctions), et l'analyse comportementale d'utilisateurs (UEBA — User and Entity Behavior Analytics, modèles de baseline comportementale pour détecter des comportements anormaux pouvant indiquer une compromission de compte ou une menace interne). Ces missions requièrent souvent une habilitation Défense (process de 6 à 18 mois), ce qui crée une forte barrière à l'entrée mais une sécurité d'emploi et une rémunération premium pour les profils habilités.

INRAE (Institut National de Recherche pour l'Agriculture, l'Alimentation et l'Environnement) génère des missions data science autour de ses recherches bretonnes sur l'agriculture durable. Les projets portent sur plusieurs domaines : la classification et la segmentation d'images satellitaires pour le suivi des cultures bretonnes (Sentinel-2, images Pléiades) par des modèles deep learning (U-Net, Vision Transformer) — identification des types de cultures, détection des adventices, évaluation du stress hydrique via le NDVI. Les modèles de prévision des rendements agricoles : construction de modèles intégrant les données climatiques (température, précipitations, rayonnement), les données sol (cartes pédologiques) et les données satellitaires pour prédire les rendements des grandes cultures bretonnes (blé, maïs, colza). L'analyse des données de biodiversité agricole : modèles de classification d'espèces à partir de données acoustiques (chants d'oiseaux, stridulations d'insectes) et d'images pièges photographiques, contribution aux inventaires automatisés de biodiversité dans les systèmes agricoles. Les budgets sont souvent ceux de la recherche publique, mais les missions sont intellectuellement très enrichissantes et constituent d'excellents éléments pour un portfolio diversifié.

Orange R&D Rennes applique le machine learning à plusieurs problématiques de réseau télécom. La détection d'anomalies réseau : des modèles de détection d'anomalies non supervisés (Isolation Forest, One-Class SVM, Autoencoders LSTM sur des séries temporelles) analysent les métriques de qualité de service (débits, latences, taux de perte de paquets) pour identifier des incidents avant qu'ils impactent les utilisateurs. La prédiction de la qualité d'expérience (QoE) : des modèles de régression (XGBoost, Random Forest) ou de deep learning (réseaux récurrents LSTM) prédisent la qualité perçue par les utilisateurs de streaming vidéo ou de VoIP à partir de métriques réseau passives, sans analyser le contenu. La planification des déploiements 5G : des modèles géospatiaux (Random Forest sur des features de terrain, de population et de trafic historique) optimisent le placement des antennes 5G. L'optimisation des paramètres réseau par reinforcement learning (Deep Q-Network) est un sujet de recherche actif à Rennes, notamment pour l'auto-configuration des paramètres des cellules radio. Un data scientist freelance ayant une expérience des séries temporelles réseau et des données de supervision télécom a un profil très compétitif sur ce marché rennais.