Ingénieur en Intelligence Artificielle et Data Science

Mission freelance en tant que Data Analyst en charge du traitement et de l'analyse de données pour des clients variés.

• Extraction, transformation et chargement de données à partir de sources multiples (bases SQL, APIs, fichiers plats), réduction du délai de traitement de 30 %.
• Conception et déploiement de pipelines de données fiables garantissant la qualité et la traçabilité des jeux de données exploités.
• Mise en place d'indicateurs de performance KPI et analyses statistiques pour orienter la prise de décision métier.

Alternance au sein de l'équipe data de La Poste pour piloter des projets d'analyse de données et de modernisation des systèmes de reporting opérationnel.

• Collecte, nettoyage et transformation des données issues des automates d'affranchissement via SQL et Python, garantissant la fiabilité des jeux de données exploités.
• Conception et déploiement de tableaux de bord interactifs sous Power BI pour le suivi des KPI opérationnels (taux de disponibilité, fréquence des pannes, délais d'intervention).
• Pilotage de réunions de suivi hebdomadaires et rédaction des compte-rendus d'avancement.
• Coordination avec les fournisseurs et mainteneurs pour l'amélioration continue des processus opérationnels.

Intégration au sein de l'équipe data d'une usine du groupe Stellantis pour moderniser la surveillance et la détection d'anomalies au sein de l'infrastructure de production.

• Analyse et traitement des données et logs des systèmes de production avec conception et mise en place de tableaux de bord de surveillance à l'aide de la suite ELK (Elasticsearch, Logstash, Kibana) et Power BI.
• Implémentation en Python de modèles de Machine Learning et Deep Learning pour la détection automatique d'anomalies, atteignant 98 % de précision.
• Participation à l'optimisation des pipelines de données pour améliorer la réactivité du système de surveillance.

Travail au sein d'une entreprise spécialisée en solutions d'usine intelligente pour développer des modèles de computer vision et d'apprentissage automatique appliqués à la reconnaissance et au contrôle de qualité.

• Conception et optimisation d'un modèle de computer vision pour la reconnaissance automatique d'images, s'appuyant sur une architecture CNN de type VGG16.
• Implémentation en Python de différentes méthodes de clustering (K-Means, K-Modes, K-Medoid, KNN) et réalisation d'une analyse comparative de leurs performances respectives.
• Documentation des résultats et des recommandations techniques pour l'intégration en production.