Python Developer

Intégration de l'équipe de développement pour travailler sur le projet de framework de test pour General Motors (GM).

• Développement de mots-clés Python pour le framework de test GM.
• Contribution au développement d'une unité de contrôle électronique (ECU) émulée.
• Création et maintenance de tests unitaires pour améliorer la qualité du code.
• Implémentation de flux de travail GitHub Actions pour automatiser les tests et améliorer la qualité de la bibliothèque.

Participation au projet d'automatisation de la configuration d'infrastructure centralisée.

• Contribution au développement d'un système automatisé et centralisé pour la gestion de l'infrastructure.

Travail sur la plateforme numérique OneHealth et l'alliance de données One Health Data Africa.

• Contribution au développement d'une solution de partage de données utilisant le concept de data mesh.
• Construction de composants front-end évolutifs et de fonctionnalités back-end.
• Développement d'API pour interagir avec les services Apache, améliorant l'interopérabilité entre les systèmes.
• Participation à la rédaction de propositions pour des appels d'offres.
• Développement de tableaux de bord Rabies pour la plateforme de surveillance One Health du Malawi.

Stage de recherche axé sur l'utilisation du deep learning pour la prédiction de la production hydroélectrique au fil de l'eau en Europe.

• Conception et implémentation de modèles hybrides de deep learning pour prédire le facteur de capacité hydroélectrique au fil de l'eau sur la base de variables climatiques dans le cadre du projet européen CLIM2POWER.
• Optimisation de la performance des modèles en utilisant l'ingénierie des caractéristiques et l'optimisation des hyperparamètres par algorithmes génétiques pour améliorer la précision des prédictions.

Stage en science des données pour le traitement des journaux de tests et la classification des erreurs.

• Implémentation d'un pipeline ETL pour traiter et transformer des fichiers XML à grande échelle en un format tabulaire structuré.
• Conception d'un pipeline de machine learning pour améliorer la détection des pannes et l'efficacité du débogage, aidant les ingénieurs à identifier les anomalies et à diagnostiquer les pannes système plus efficacement.

Découverte du monde professionnel, du fonctionnement de l'entreprise et de l'activité du personnel.