AI Engineer | Machine Learning Engineer

Intervention au sein de l'équipe de Michelin dans le cadre du programme Evergreen afin de piloter des projets de transformation data et d'améliorer la gouvernance CMDB ServiceNow au sein d'un environnement grand compte.

• A mené le cadrage et la conduite d'un projet de transformation data pour améliorer la gouvernance CMDB ServiceNow portant sur 15 463 OS, 4 491 MiddleWares et 1 790 Databases orphelins.
• A réalisé une analyse comparative approfondie K-Means vs DBSCAN avec validation multicritères et optimisation du nombre de clusters (K=39).
• A réduit le bruit de 18,3% à 0% en générant des clusters interprétables et actionnables.
• A amélioré de 40% la visibilité sur les macro-incidents, réduit les temps de résolution et facilité la prise de décision stratégique.
• A conçu une solution hybride combinant Regex, Fuzzy Matching (Levenshtein, Jaro-Winkler) et NER avec spaCy/BERT pour détecter automatiquement les relations entre CI.
• A traité des données multi-sources hétérogènes avec optimisation des seuils de similarité et validation humaine.
• A automatisé plus de 200 heures par mois de processus manuels et amélioré la qualité de liaison.
• A piloté la migration de données du système legacy ABS vers ServiceNow CMDB avec le développement d'algorithmes de mapping et classification automatique.
• A mis en place des règles de gouvernance des données alignées sur les standards ITIL et CSDM.
• A réduit de 30% les données obsolètes tout en modernisant l'architecture cible et en renforçant la fiabilité du SI.
• A développé des pipelines de Data Cleaning pour corriger automatiquement les tags Azure sur 4 133 VMs présentant 62,28% de tags incorrects ou manquants.
• A mis en place un pipeline de validation croisée avec ServiceNow utilisant des expressions régulières et des inférences logiques.
• A corrigé automatiquement 96,92% des éléments avec seulement 3,08% d'échec.

Mission au sein du laboratoire de recherche LIMOS pour concevoir des modèles d'optimisation énergétique appliqués au secteur de l'énergie et du transport.

• A développé des modèles de programmation linéaire pour optimiser la synchronisation consommation/production d'électricité avec la mobilité de véhicules électriques autonomes.
• A implémenté des algorithmes d'optimisation en C++ avec IBM CPLEX sous des contraintes énergétiques complexes.
• A modélisé des macro-véhicules et réalisé une décomposition de flots agrégés pour gérer la complexité computationnelle.
• A généré des instances et conduit une analyse statistique approfondie de l'influence des paramètres sur la faisabilité.
• A démontré la faisabilité de la programmation linéaire pour optimiser la gestion énergétique de flottes.