Data Scientist / Ingénieur IA

Intervention chez Sweep pour mener à bien des missions d'ingénierie IA, notamment la conception d'un assistant IA multi-agents et l'optimisation de campagnes publicitaires.

• A conçu un orchestrateur multi-agents sous GPT-4o accessible via WhatsApp comprenant 4 agents spécialisés (calendrier, emailing, CRM, base de connaissances) routant les demandes clients selon leur intention.
• A réduit de 63% le temps de traitement grâce à l'orchestrateur.
• A intégré des API avec les outils métiers (Google Calendar, CRM Airtable) pour automatiser 55% des prises de RDV et fiabiliser les données client.
• A déployé l'orchestrateur sur la plateforme n8n.
• A optimisé l'affectation des campagnes publicitaires via un modèle d'optimisations sous contraintes (budgets, règles métier).
• A fait évoluer un modèle LSTM de prévision des volumes d’inventaire à court terme sur une période de 2 à 4 semaines.
• A automatisé le contrôle des créations publicitaires grâce à un modèle CNN de classification d’images dédié à la détection de catégories sensibles.
• A industrialisé les traitements Data et ML via des pipelines ETL, GitHub Actions et Vertex AI Matching Engine.

Intégration de la start-up T.O.P, éditrice d'une plateforme SaaS d'IA et big data pour l'anticipation prédictive du turnover.

• A conçu deux agents RAG spécialisés s'appuyant sur Azure OpenAI et Azure AI Search pour traiter les demandes RH et juridiques internes sur les contrats et clauses.
• A automatisé 20% des réponses aux managers et DRH.
• A mis en place une évaluation continue de la qualité via RAGAS.
• A mis en place des mécanismes de sécurité incluant le filtrage des prompt injections, la validation des réponses et le contrôle des sources utilisées.
• A conçu des modèles prédictifs (ML/DL, Random Forest, GNN) anticipant le turnover avec une précision de 85%.
• A identifié les facteurs de risque clés via l'analyse des SHAP values.
• A collecté, nettoyé et analysé des données multi-sources de plus de 10 millions de lignes via des pipelines de traitement (EDA).
• A assuré la mise en production de l’application et des modèles ML via des processus CI/CD et MLOps.
• A accompagné plus de 50 utilisateurs à travers des sessions de formation et de la documentation en méthode Agile.
• A réalisé le cadrage fonctionnel direct auprès du client.

Contribution chez Mobelite au développement d'une solution de recommandation touristique basée sur l'analyse d'avis clients.

• A réalisé le fine-tuning d'un modèle BERT pour la classification de sentiment positif et négatif avec une précision de 79%.
• A appliqué le modèle à plus de 10 000 avis clients.
• A identifié les destinations les mieux notées et extrait les tendances utilisateurs via NLP et sentiment analysis pour alimenter les décisions produit.