Data Scientist

Intégration du département Newbuilding de CMA CGM pour optimiser la gestion des défauts de maintenance navire via des solutions de machine learning et NLP.

• Exploration, nettoyage et préparation des données de maintenance navire à partir de sources hétérogènes.
• Transformation des descriptions textuelles en variables numériques via TF-IDF pour l'analyse automatisée.
• Conception et comparaison de plusieurs modèles de classification (LightGBM, Random Forest, Logistic Regression).
• Sélection d'un modèle LightGBM atteignant 96 % de ROC-AUC.
• Évaluation des performances avec les métriques ROC-AUC, matrice de confusion et précision.
• Développement d'un moteur de recherche sémantique de défauts similaires basé sur l'algorithme de similarité cosinus.
• Implémentation de l'algorithme de similarité cosinus pour mesurer la proximité entre descriptions de défauts.
• Facilitation de l'identification de cas analogues pour accélérer les analyses des équipes métiers.
• Déploiement des modèles en production via FastAPI.
• Développement d'interfaces utilisateur interactives avec Streamlit pour la consultation des résultats.

Participation à un projet de prédiction des pannes de maintenance au sein du Groupe OCP en exploitant les données de capteurs via une approche machine learning.

• Extraction, structuration et nettoyage des données issues de capteurs via SQL et Python.
• Prétraitement des données pour la modélisation prédictive.
• Développement et comparaison de plusieurs modèles de classification (XGBoost, Random Forest).
• Sélection du meilleur modèle, atteignant 92 % de précision dans la prédiction des pannes.
• Amélioration de l'anticipation des défauts et optimisation de la planification de la maintenance.