Data Scientist

Intégration d'une équipe spécialisée dans l'évaluation et l'amélioration des capacités de raisonnement des modèles de langage.

• Évaluation approfondie des capacités de raisonnement de LLMs en Python, SQL et mathématiques.
• Analyse des patterns de Chain of Thought pour identifier les faiblesses de raisonnement.
• Correction des outputs des modèles pour améliorer la précision globale.
• Conception de prompts complexes et itératifs pour tester les limites des modèles.
• Tests systématiques via API de modèles de langage.
• Rédaction de recommandations d'amélioration documentées pour guider les entraînements futurs.

Intégration de l'équipe data au sein de BNP Paribas pour moderniser le suivi des incidents et développer des modèles de scoring et de prévision.

• Conception et déploiement d'une application Power BI (RUN REPORTING) centralisant le suivi des incidents pour plusieurs métiers.
• Implémentation d'une modélisation DAX avec actualisation automatique 3 fois par jour.
• Développement d'un modèle de scoring crédit combinant XGBoost et régression logistique sur 1,3M transactions, atteignant une AUC de 0,824 et une accuracy de 81%.
• Pilotage de la prévision des flux financiers mensuels en comparant ARIMA et Prophet.
• Réduction de l'erreur de prévision (MAPE) de 18,3% à 14,4%.
• Collaboration en environnement Agile Scrum avec l'équipe métier.

Développement d'un système de recommandation pour une plateforme e-commerce visant à prédire les rachats de produits et augmenter la conversion client.

• Exploitation de 2 ans d'historique transactionnel provenant de 100 000 clients.
• Feature engineering approfondi pour créer des variables comportementales : récence, fréquence, saisonnalité et pondération temporelle.
• Entraînement d'un modèle LightGBM optimisé pour la tâche de recommandation.
• Amélioration du Hit Rate @10 de 33% (baseline) à 39%, soit une augmentation de +6 points.

Développement d'un pipeline data complet pour analyser les données socio-économiques communales et prédire la présence de tiers-lieux en Nouvelle-Aquitaine.

• Conception et implémentation d'un pipeline ETL en Python et SQL pour l'extraction, le nettoyage et la transformation des données communales.
• Feature engineering incluant la sélection de variables par VIF (Variance Inflation Factor) et analyse des corrélations.
• Entraînement d'un modèle de classification (régression logistique) pour prédire la présence ou l'absence de tiers-lieux dans une commune.
• Obtention d'une accuracy de 85% sur la tâche de classification.

Conduite d'un projet de recherche comparant plusieurs architectures de deep learning pour la classification de textes.

• Implémentation et comparaison de modèles NLP progressifs : Bag of Words (BOW), RNN, GRU et LSTM sous PyTorch.
• Entraînement des modèles sur la base de données AGNEWS (4 catégories : Monde, Sports, Affaires, Science/Tech) en grande dimension.
• Évaluation des performances respectives de chaque architecture en termes de convergence et de précision.