Data Scientist AI | Vision & OCR

Intégration de l'équipe data de Sephora pour développer et déployer un pipeline de prévision des volumes de contacts clients sur 9 pays.

• Structuration et amélioration de la qualité de 6 ans de données historiques, gestion des valeurs manquantes et détection des anomalies.
• Automatisation du pipeline ETL utilisant Python, SQL et Dataiku Core & Advanced Designer.
• Conception et comparaison de modèles de prévision temporelle (N-BEATS, TFT, XGBoost) en collaboration avec les équipes métier.
• Définition avec les équipes métier d'indicateurs de performance pertinents (précision des prévisions, planification des ressources).
• Optimisation de la robustesse des modèles via validation croisée et hyperparameter tuning.
• Amélioration de la précision des prévisions de +32 %, permettant une meilleure planification des ressources.
• Accompagnement des équipes métier dans l'adoption de la solution et son intégration dans les processus existants.

Participation à un projet d'administration « zéro papier » en analysant et améliorant un pipeline OCR par fine-tuning de LLM.

• Analyse du pipeline OCR existant et identification des axes d'amélioration pour la reconnaissance textuelle.
• Construction et annotation d'un dataset dédié à la post-correction des erreurs OCR.
• Fine-tuning de modèles Hugging Face avec optimisation QLoRA pour améliorer la qualité de la reconnaissance textuelle.
• Évaluation des modèles via les métriques BLEU, CER et WER, assurant une rigueur méthodologique.

Conception et déploiement d'un système de reconnaissance d'objets industriels basé sur la vision par ordinateur.

• Conception d'un système de reconnaissance de pièces industrielles par similarité visuelle utilisant les Siamese Networks avec PyTorch.
• Implémentation d'une prédiction Top-3 pour la reconnaissance des pièces.
• Développement du backend d'inférence en Django et exposition d'une API REST.
• Développement de l'interface de visualisation des résultats en Vue.js.