Data Scientist / ML Engineer

A intégré l'équipe de Recherche & Innovation de Valeo Brain afin de concevoir et de déployer des solutions d'intelligence artificielle embarquées basées sur le traitement du signal.

• A conçu une solution de détection de geste innovante exploitant des données radar de type Ultra Wide Band (UWB).
• A proposé et implémenté des méthodes heuristiques basées sur du traitement de signal avancé pour affiner l'analyse des flux.
• A développé des solutions algorithmiques basées sur du machine learning tout en respectant les contraintes strictes de l'environnement embarqué.
• A structuré un dataset d'entraînement complet, incluant la définition de la roadmap de collecte, la répartition train/test/val et la supervision des phases de test.
• A intégré les solutions proposées au sein d'un pipeline de traitement en temps réel directement embarqué sur véhicule de test.
• A réalisé l'évaluation comparative et le benchmarking des différentes approches de modélisation pour valider leur viabilité.

A rejoint Ipsos BVA dans le cadre d'un stage pour concevoir des systèmes de vision par ordinateur appliqués à l'analyse des espaces publics.

• A conçu un système intelligent destiné à analyser en temps réel les flux vidéo capturés au sein des espaces publics.
• A mené une veille technologique et un benchmark approfondi des solutions de Computer Vision (détection d'entités, détection de points clés et tracking multi-cibles).
• A mis en place un pipeline expérimental complet incluant le fine-tuning, l'optimisation des hyperparamètres et l'évaluation comparative de modèles de pointe (YOLO, RT-DETR, RF-DETR).
• A développé une API d'inférence hautement performante et optimisée pour le traitement en temps réel via FastAPI.
• A collaboré étroitement avec les clients finaux pour cadrer régulièrement les besoins et adapter les solutions techniques.

A réalisé un projet d'analyse de sentiments multimodale à partir de données audio pour la reconnaissance vocale et émotionnelle.

• A extrait des descripteurs audio (MFCC) pour caractériser efficacement les signaux acoustiques.
• A entraîné et modélisé une architecture séquentielle de type LSTM pour la prédiction d'émotions.
• A conçu une stratégie de fusion de prédictions multimodales combinant des modèles d'Audio, de Computer Vision et de Traitement du Langage Naturel (NLP).

A développé une application de deep learning appliquée à l'imagerie médicale pour la classification de radiographies thoraciques.

• A comparé de manière progressive trois approches de classification : SVM sur features manuelles, réseau de neurones convolutif (CNN) conçu à partir de zéro, et fine-tuning de l'architecture ResNet.
• A configuré l'infrastructure MLOps pour assurer le suivi et le tracking systématique des expériences de modélisation avec MLflow.
• A packagé et déployé le modèle de classification final via une API FastAPI conteneurisée sous Docker.