Data Scientist & Machine Learning Engineer

Intervention au sein de l'équipe de conseil IT de Babel sur des projets d'intelligence artificielle auprès de grands comptes espagnols.

• A amélioré la précision OCR de 30 % pour Caser Seguros, réduisant fortement les corrections manuelles.
• A accéléré l'extraction de données documentaires jusqu’à 60 %.
• A mis en place un traitement robuste de documents multipages (plus de 100 pages), dépassant les approches de numérisation page par page.
• A intégré des métriques automatiques de confiance, augmentant la validation des données d'environ 40 %.
• A implémenté des protocoles de gestion des erreurs, réduisant les échecs de traitement de 50 %.
• A automatisé le logging détaillé des erreurs, améliorant la traçabilité des incidents de 80 %.
• A réduit de 40 % le temps consacré au debugging et à la résolution des incidents.
• A collaboré au sein d'équipes pluridisciplinaires favorisant l'innovation et le partage de connaissances.
• A réduit de 70 % le temps de configuration des environnements et des problèmes associés.
• A éliminé les erreurs de troncature de données garantissant une agrégation complète et fiable.
• A optimisé les visualisations de rapports, améliorant la prise de décision basée sur les données de 50 %.
• A mis en place un monitoring en temps réel des performances et des coûts de traitement.
• A réduit les erreurs critiques d’extraction et amélioré la cohérence des données de 60,9 %.
• A créé des logs explicites pour les interruptions de processus, réduisant de moitié les temps non productifs.
• A renforcé la validation de conformité documentaire, diminuant les retraitements de 35 %.
• A obtenu une fiabilité de 99 % dans la détection de signatures, réduisant la marge d’erreur à 1 %.
• A réalisé une refonte complète du système pour Prosegur (AI Exam Generation), réduisant les temps de génération de 87 % (de 60 s à 8 s) et les coûts de 80 % grâce à la consolidation des appels API.
• A implémenté un batch processing optimisé capable de gérer plusieurs requêtes simultanées avec une cohérence totale.
• A transformé le système de génération d'examens IA avec un gain de 87 % en vitesse et une réduction de 80 % des coûts tout en maintenant une précision supérieure à 100 %.
• A garanti une cohérence totale grâce à des mécanismes de validation automatisés éliminant les erreurs d’alignement.
• A conçu un système multi-niveaux avec difficulté adaptative et génération conditionnelle basée sur le reinforcement learning et des paramètres granulaires.
• A mis en place une validation automatique fournissant des références documentaires précises assurant une traçabilité complète.
• A remis en fonctionnement complet le pipeline de détection pour Autopistas del Sol (Road Congestion Detection) en éliminant deux erreurs bloquantes au démarrage.
• A stabilisé le déploiement utilisateur en résolvant quatre problèmes d'intégration distincts via l'analyse des runtime tracebacks et l'application des correctifs appropriés.
• A amélioré la visibilité vidéo sans modification de la logique de détection, avec une réduction d'environ 100x des pixels modifiés par les overlays.
• A validé complètement le module de détection de congestion à travers cinq critères de réussite et des tests d'intégration.
• A livré un workflow reproductible d'amélioration des modèles à travers un notebook Colab de fine-tuning composé de 23 cellules.

Stage de Data Scientist au sein du cabinet de conseil IT Babel, avec contribution à des projets de modélisation prédictive et de vision par ordinateur pour des clients majeurs de l'énergie et de la mobilité.

• A développé un modèle prédictif du taux de pénétration (ROP) à l’aide de techniques de Machine Learning pour Repsol.
• A appliqué des algorithmes d'optimisation hybrides afin d'améliorer les performances du modèle.
• A réalisé une analyse comparative avec des études académiques de référence.
• A amélioré l'efficacité globale des opérations de forage, réduit les coûts et diminué les temps d’arrêt.
• A préparé des jeux de données annotés pour l’entraînement de modèles IA multi-espèces pour Abertis.
• A entraîné un modèle YOLOv5 atteignant plus de 87 % de précision sur la majorité des classes animales, puis a migré vers YOLOv10-x.