Ingénieur Data | Data Engineering, pipelines & qualité des données

Intégration de l'IDRIS - CNRS pour un stage de fin d'études axé sur la détection d'anomalies comportementales sur infrastructure HPC par apprentissage automatique

• Conception d'un pipeline de collecte et de préparation de données sur 1 an d'historique de logs du supercalculateur Jean Zay : Slurm, Wazuh (réseau, le stockage et l'authentification)
• Réalisation de l'ingestion et la normalisation de sources hétérogènes incluant le parsing, le nettoyage, l'harmonisation des formats, la gestion des valeurs manquantes et les contrôles qualité des données.
• Feature engineering et constitution de datasets exploitables pour l'analyse et la modélisation.
• Développement de modèles non supervisés et semi-supervisés, (clustering) pour la détection d'anomalies comportementales tout en évaluant et réduisant les faux positifs avec des métriques telles que Precision, Recall, F1, ROC-AUC, PR-AUC et MCC.
• Suivi et visualisation via des tableaux de bord et exploration d'architectures Transformers, NLP et LLM pour l'analyse contextuelle des données.

Expérience au CEA Saclay pour un stage centré sur la détection de contenus générés par IA - détection de deepfakes

• Préparation et qualification de jeux de données massifs composés d'images et de vidéos pour la détection de contenus générés par IA.
• Automatisation des chaînes de prétraitement et d'extraction de features sur un cluster de calcul.
• Développement et comparaison de plusieurs modèles de Machine Learning (XGBoost, Random Forest, SVM, KNN) et de Deep Learning (CNN, Transformer) atteignant une précision globale de 90 à 93%.
• Optimisation et évaluation des modèles en s'appuyant sur les métriques Precision, Recall, F1-score, ROC-AUC et la matrice de confusion.