Data & AI Engineer

Participation à l'équipe data d'ASR Malagasy pour un projet de reconnaissance automatique de la parole dédié à la langue malagasy, orienté centres d'appels et service client.

• Préparation, structuration et validation de corpus audio pour l'entraînement, le test et l'évaluation de modèles IA.
• Conception de guidelines d'annotation pour garantir la cohérence des transcriptions et la qualité des données.
• Suivi qualité des données et organisation des métadonnées.
• Coordination avec l'équipe d'annotation pour assurer la conformité aux standards.
• Contribution à la conception du modèle ASR en exploitant les architectures transformers et les techniques de traitement du signal.

Développement d'une plateforme web et mobile de gestion fiduciaire couvrant le parcours prospect, l'espace client et le backoffice interne.

• Conception et maintenance d'API REST pour la gestion des prospects, clients, documents, rendez-vous, messagerie et workflows métier.
• Implémentation de règles métier liées à la collecte documentaire, la validation et le remplacement de documents, ainsi qu'à la conversion prospect-client.
• Travail sur l'authentification, la gestion des rôles utilisateurs et les échanges temps réel via WebSocket.
• Intégration de services externes selon les besoins fonctionnels.
• Analyse et correction de bugs fonctionnels et techniques en collaboration avec les équipes front-end, UX et métier.
• Tests via Swagger et analyse des logs backend pour valider les scénarios utilisateurs.

Développement et comparaison de modèles de deep learning pour améliorer la qualité de signaux audio basse résolution.

• Implémentation d'architectures génératives, notamment AFiLM et BWE-GAN, pour reconstruire les hautes fréquences audio.
• Prétraitement des signaux audio avec des techniques de traitement du signal, incluant la transformée de Fourier à court terme (STFT) et l'extraction de caractéristiques.
• Optimisation des hyperparamètres des modèles en tenant compte des contraintes techniques liées à la taille des patches.
• Évaluation des performances à l'aide de métriques quantitatives telles que le SNR et la perte L1.

Développement d'un modèle de machine learning pour classer des images de CubeSat dans un contexte à ressources limitées.

• Prétraitement d'images et extraction de caractéristiques pour améliorer la qualité des données d'entrée.
• Implémentation d'un modèle léger adapté aux environnements contraints, avec attention particulière portée à l'efficacité.
• Collaboration avec une équipe multidisciplinaire pour livrer un prototype fonctionnel dans un délai court.
• Présentation d'une solution orientée application réelle, combinant vision par ordinateur et optimisation des ressources.

Modélisation d'un problème de planification infirmière comme un problème de satisfaction de contraintes.

• Définition des contraintes métier liées aux heures maximales de travail, aux périodes de repos et à la répartition équitable des nuits.
• Implémentation d'algorithmes de filtrage et de backtracking pour générer automatiquement des plannings valides.
• Utilisation de structures de données adaptées pour améliorer l'efficacité de la recherche de solutions.
• Développement d'une approche combinant optimisation, logique algorithmique et modélisation mathématique.

Conception d'un système de traduction automatique neuronale pour une langue peu dotée : le malgache.

• Fine-tuning de modèles Transformers multilingues pré-entraînés, notamment mT5 et mBART.
• Nettoyage d'un corpus bilingue malgache-français à partir de données collectées par web scraping.
• Application de techniques de transfer learning pour améliorer les performances malgré un volume limité de données.
• Évaluation des résultats avec des métriques de traduction telles que BLEU, METEOR et COMET.

Réalisation de missions d'analyse de données centrées sur la violence basée sur le genre.

• Nettoyage et transformation de données brutes pour garantir la qualité et la cohérence.
• Analyses exploratoires pour identifier des tendances, anomalies et relations significatives dans les données.
• Création de visualisations statistiques pour faciliter l'interprétation des résultats par des profils non techniques.
• Préparation de résultats analytiques exploitables pour soutenir la recherche et la prise de décision.