Data Analyst, Machine Learning Engineer & Data Scientist

Intégration de l'équipe machine learning d'une entreprise spécialisée en optimisation maritime pour améliorer la précision des modèles de prévision de navigation à partir de données massives.

• Exploration et analyse de jeux de données IoT et météo via SQL/PostgreSQL pour identifier les variables clés impactant la performance de navigation.
• Structuration de pipelines de données robustes via Azure Data Factory garantissant la qualité des jeux de données utilisés en aval.
• Analyse comparative de la performance des modèles de prévision en utilisant les métriques MAE et MSE.
• Restitution des résultats sous forme d'indicateurs exploitables facilitant la prise de décision opérationnelle en optimisation maritime.

Participation à deux projets majeurs au sein de l'équipe data d'EDF : l'un focalisé sur la détection d'anomalies en flux IoT haute fréquence, l'autre sur l'implémentation d'un chatbot RAG pour optimiser l'accès à la documentation technique interne. Projet 1 – Détection d'anomalies non supervisée

• Collecte des besoins métiers et définition de KPIs pour le suivi de la performance des équipements industriels.
• Analyse de flux de données IoT à haute fréquence stockés en S3 via SageMaker pour anticiper les pannes.
• Conception d'un dashboard Gradio de suivi destiné au management, améliorant le monitoring et réduisant le temps de diagnostic opérationnel.
• Projet 2 – Chatbot RAG pour documentation technique
• Structuration de l'indexation des contenus techniques via LangChain pour améliorer la pertinence des résultats retournés aux équipes métier.
• Mise en place d'un suivi qualité des réponses (précision, pertinence, fiabilité) via des indicateurs d'évaluation TruLens, réduisant le temps de recherche d'informations critiques.

Intégration de l'équipe data de Crédit Mutuel pour fiabiliser le traitement et l'analyse des données de portefeuille et améliorer la gouvernance des indicateurs financiers.

• Extraction et analyse de données de portefeuilles bancaires via SQL avec audit des incohérences pour fiabiliser les rapports financiers.
• Migration de règles de calcul historiques de SPSS vers Python, garantissant une meilleure traçabilité et gouvernance des indicateurs.
• Documentation des règles de gestion pour assurer la continuité et la compréhension des processus analytiques.