Ingénieur Data Junior

Développement d'une application Flask de génération de factures et déploiement sur un serveur Linux.

• Résolution du packaging Python, du transfert SSH et des problèmes d'imports circulaires lors du déploiement.
• Déploiement d'un LLM local (Qwen via Ollama) sur une machine virtuelle Ubuntu.
• Configuration d'une bascule d'inférence locale et distante en une seule commande.

Spécification et conception d'une architecture de 6 agents LLM (orchestration, sourcing, extraction, pricing, risque, rédaction) pour produire une décision notée sur 100 à partir d'annonces automobiles.

• Développement en TypeScript et Node.js du socle backend comprenant un serveur HTTP, un client LLM OpenRouter et une route POST de chat.
• Structuration du système en modules à responsabilité unique.

Évolution du poste d'équipier à celui de manager en moins de trois ans.

• Encadrement d'équipes de 8 à 17 équipiers au quotidien.
• Pilotage des indicateurs clés incluant le temps de service, les pertes et le chiffre d'affaires.
• Formation des nouveaux collaborateurs.

Intégration d'une équipe de 4 étudiants pour implémenter un Fader Network dans le cadre d'un projet universitaire de Master.

• Implémentation en TensorFlow d'un réseau composé d'un encodeur, d'un décodeur et d'un discriminateur sur le jeu de données CelebA (200 000 images).
• Diagnostic de l'échec de convergence sur 13 epochs avec un GPU limité et proposition de corrections adaptées.

Collaboration au sein d'une équipe de 5 étudiants sur un projet de Master portant sur la détection et la classification d'empreintes digitales.

• Entraînement du modèle YOLO v7 à détecter et classer les 10 empreintes d'une fiche décadactylaire en distinguant empreintes et phalanges.
• Correction de 3 familles d'erreurs (confusion phalange/empreinte, pouces, doigts amputés) via une labellisation automatique et des augmentations ciblées incluant un recadrage elliptique et une amputation simulée à 50 %.

Intégration du laboratoire LIP6 pour un stage de fin d'études axé sur l'identification de modes de transport par deep learning.

• Portage de l'identification de 8 modes de transport à 92 % de F1-score sur 45 000 images réelles.
• Réalisation d'une fusion tardive par produit des prédictions en fusionnant images et données IMU.
• Comparaison de 7 modèles sur le même jeu de test (VGG19, CNN embarquable, CNN IMU et 3 fusions), atteignant un gain de 4 points de F1 sur la meilleure modalité seule.
• Amélioration du F1-score de 82 % à 88 % (avec un rappel « marche » passant de 53 % à 83 %) grâce à un pipeline d'extraction vidéo et IMU ainsi que des augmentations ciblées sur les erreurs observées.

Réalisation d'un stage axé sur la vision par ordinateur et le traitement vidéo au sein de l'entreprise Elastic Solution.

• Livraison d'un système de détection et de reconnaissance faciale basé sur dlib et OpenCV, évalué sur 5 identités d'une base interne.
• Configuration de l'ensemble du pipeline de capture à la comparaison.
• Livraison d'un module de tracking vidéo en temps réel mesuré à 15-25 images/s sur PC personnel.
• Optimisation de la boucle de détection frame par frame pour atteindre les performances cibles.