Data & AI Engineer

Intégration de l'équipe technique de Dedax afin d'assurer l'ingénierie des bases de données et l'intégration ERP pour un acteur industriel.

• Refonte et migration de la base de données PostgreSQL de la version 14 à 17 sur le cloud STRATO.
• Structuration de plus de 7 000 références de pièces détachées automobiles réparties sur plus de 7 catégories en utilisant SQL (DDL/DML) et Python.
• Application de principes de normalisation relationnelle de 1NF à 3NF et configuration de clés primaires et étrangères pour améliorer les performances.
• Restauration de la compatibilité avec l'ERP Odoo et optimisation des performances globales de la base de données.
• Conception et test d'un prototype de vision industrielle sous Python, OpenCV, YOLO (Ultralytics), PyTorch et Scikit-image pour la détection de défauts de fabrication.
• Validation des critères visuels et dimensionnels de produits spécifiques et classification des pièces conformes ou non-conformes avec une précision de 80% à une cadence de 300 pièces par heure.
• Construction de flux de collecte et de prétraitement de données de capteurs pour des machines de découpe et de presse.
• Intégration de mesures de température, de vibration, de pression et de cycles de production pour préparer des jeux de données structurés dédiés à la maintenance prédictive.
• Développement de tableaux de bord opérationnels sous Power BI, Plotly/Dash et Odoo pour suivre les KPI de production, l'état des équipements et les résultats de contrôle.

Mission chez Engie Renewables pour moderniser l'architecture d'ingestion de données cloud sur plus de 10 sites d'énergies renouvelables.

• Remplacement d'AWS Firehose par un pipeline direct Kinesis vers Databricks.
• Réduction des coûts d'ingestion de plus de 300 $ par jour à une fourchette de 10 à 30 $ par jour tout en maintenant la capture complète de la télémétrie.
• Construction de flux de traitement de données de séries temporelles industrielles à grande échelle en Python et Databricks.
• Prise en charge de l'ingestion, de la transformation, du profilage statistique et de l'analyse automatisée de flux de télémétrie hétérogènes.
• Conception d'un cadre de traitement intelligent combinant Python, RAG, NLP, profilage statistique et recherche vectorielle avec des mécanismes de validation croisée.
• Collaboration avec les équipes d'ingénierie d'AWS, Databricks et ENGIE pour définir l'architecture des données et les stratégies de déploiement.

Intégration de l'équipe R&D de G-ON pour mener des travaux de recherche et développement en Machine Learning et automatisation.

• Développement d'un modèle de Machine Learning utilisant CatBoost, XGBoost et des réseaux de neurones artificiels (ANN) pour prédire les niveaux de CO2 et de COV à partir de données de micro-capteurs.
• Optimisation des hyperparamètres des modèles et évaluation de leurs performances avec un coefficient R² supérieur à 0,90.
• Conception et implémentation d'un système de base de données plus efficace et adapté aux utilisateurs non techniques en alternative à FileMaker.
• Construction et optimisation de bases de données statistiques (BDNB) en exploitant des données publiques d'audit énergétique.
• Réalisation d'analyses de corrélation avancées entre les données de capteurs IoT et les profils de consommation d'énergie.
• Automatisation de flux de travail clés via des API et des plateformes NoCode et IA, améliorant la productivité de 30%.
• Collaboration avec des équipes pluridisciplinaires, incluant des data scientists et des auditeurs énergétiques.