Data Scientist / AI Engineer

Intervention chez Carrefour en tant que Data Scientist pour concevoir et industrialiser des solutions de données et d'intelligence artificielle.

• Conception et automatisation de pipelines de données sur GCP en utilisant Airflow.
• Optimisation des flux d'ingestion et de transformation des données.
• Développement de modèles prédictifs pour la prévision du volume des ventes.
• Conteneurisation des modèles avec Docker et déploiement sur App Engine.
• Intégration des déploiements via des pipelines GitLab CI/CD.
• Construction de tableaux de bord interactifs dans Looker Studio.
• Développement d'applications analytiques pour le CRM et la tarification du carburant en utilisant Streamlit.
• Suivi des performances à l'aide de KPI stratégiques.
• Conception et industrialisation d'une solution GenAI/RAG intégrant des LLM, des embeddings et la recherche vectorielle.
• Automatisation de l'accès aux informations métier grâce à l'intelligence artificielle.

Intervention chez Novo Nordisk pour optimiser les processus de fabrication d'insuline dans le cadre de l'Industrie 4.0.

• Optimisation des processus de fabrication d'insuline en utilisant des modèles de plans d'expériences (DoE).
• Déploiement des modèles sur AWS avec une conteneurisation Docker.
• Augmentation de la performance des équipements de 80% et de la productivité de la ligne de production de 20%.
• Pilotage du développement et du déploiement d'une solution de vision par ordinateur en temps réel conforme aux normes GxP pour le comptage de flacons d'insuline et la détection de fissures.
• Validation de la solution à travers un Proof-of-Value présenté lors de conférences internationales.
• Construction de tableaux de bord interactifs pour le suivi proactif des KPI et l'analytique de production en utilisant Grafana et Tableau.
• Intégration de modèles de Machine Learning pour la prédiction des pannes.
• Déploiement des solutions via AWS et des pipelines CI/CD automatisés.
• Encadrement de projets d'étudiants en science des données.

Intervention à la MGEN pour analyser les données opérationnelles et renforcer la fiabilité des systèmes.

• Développement de modèles de Machine Learning et de Deep Learning pour analyser les logs d'applications.
• Détection d'anomalies et prédiction des pannes techniques.
• Construction de tableaux de bord interactifs pour le suivi des données critiques.
• Automatisation des flux de travail analytiques.
• Mise en place de mécanismes d'alerte en temps réel pour prévenir proactivement les pannes système.
• Exploration des données et analyse de logs en utilisant ElasticSearch et Kibana.
• Application de techniques de NLP pour extraire des informations exploitables à partir des données opérationnelles.