PwC
PwC en Tunisie propose ce sujet de PFE au sein de sa ligne de services Technology (practice IA Lab / AI Factory), sous la référence TAC-DIG005/27.
Description du sujet : Définir et expérimenter une méthode de calibration des scores de confiance produits par un modèle ou une chaîne LLM. Le stage précisera avec l’équipe le cas d’usage, les classes de décision et le coût métier des erreurs avant de comparer plusieurs techniques de calibration.
Objectifs du stage : - Transformer les scores bruts en probabilités mieux interprétables afin de définir des seuils de décision, d’escalade et de revue humaine fondés sur le risque. - Critère d’acceptation : Métrique et seuils à définir avec l’équipe selon le cas d’usage retenu.
Profil recherché : - Technologies : Python, scikit-learn, pandas, scipy, Jupyter, MLflow, APIs LLM - Connaissances théoriques : Probabilités, statistiques, calibration, théorie de la décision, métriques de classification. - Connaissances pratiques : Python data science, expérimentation, visualisation, validation croisée et communication des résultats.
Conditions du stage : - Référence du sujet : TAC-DIG005/27 - Nombre de stagiaires : 1 - Candidature : envoyez votre CV à [email] avec en objet « Candidature PFE – Réf sujet(s) | Ligne de Services–Business Unit ou practice | Votre école | Votre spécialité | Votre nom »
Niveau : Niveau ouvert Mode : Présentiel Source : PFE Book PwC 2026-2027 (pfebooks.com)
- Cadrer le cas d’usage et les erreurs critiques. - Constituer un jeu de calibration et un jeu de test. - Mesurer la calibration initiale. - Comparer Platt scaling, isotonic regression et autres méthodes adaptées. - Définir les seuils de décision et d’escalade. - Livrer une étude reproductible et des recommandations.
Talnivo calcule votre score de compatibilité CV ↔ offre et vous aide à l'améliorer avant de postuler.
Créer un compte gratuitVoir toutes les offres sur Talnivo