Ingénieur en Mathématiques Appliquées et Modélisation

Intervention au sein de IFP Energies Nouvelles afin de résoudre un problème inverse mal posé sans solution analytique, consistant à reconstruire la distribution de tailles de bulles d'un écoulement industriel à partir de mesures indirectes par sonde optique Doppler, en combinant simulation physique et apprentissage automatique.

• Exploitation et optimisation d'un simulateur Monte-Carlo existant obtenant un gain de vitesse ×1500, utilisé pour générer les données d'entraînement et pour une première résolution du problème par optimisation avec l'algorithme de Nelder-Mead.
• Développement d'un réseau de neurones multicouches (MLP) apprenant directement la relation inverse entre mesure et paramètres de distribution, à partir de dizaines de milliers d'exemples simulés.
• Extension du modèle à des cas à 5 paramètres (mélanges bimodaux) pour couvrir des configurations industrielles plus complexes que les approches existantes.
• Confrontation du modèle aux données expérimentales réelles de IFPEN et aux corrélations empiriques historiquement utilisées pour situer précisément les gains et les limites de l'approche ML.

Intégration de D&A Medlabs pour concevoir et développer des solutions de traitement du langage naturel et de graphes de connaissances.

• Conception et implémentation d'un chatbot médical intelligent interrogeant une base de connaissances biomédicales sous Neo4J, permettant des requêtes sémantiques contextualisées.
• Réalisation de l'extraction et de la structuration automatique de données depuis des publications scientifiques en PDF à l'aide de SpaCy et PyPDF2, incluant la normalisation et la structuration des entités telles que maladies, symptômes et traitements.
• Développement d'un modèle NER (Named Entity Recognition) adapté au domaine médical et intégration dans le pipeline d'ingestion.
• Mise en place d'un moteur de recherche sémantique et amélioration de l'architecture graphe avec l'optimisation des relations pour accélérer les requêtes.