Ingénieur Data / IA

Intégration de l'équipe de Thales Cyber and Digital en tant qu'alternant ingénieur Data et Python afin de concevoir et développer des outils d'industrialisation et de prévision.

• Conception, développement et déploiement d'un outil d'industrialisation de prévision des coûts Cloud basé sur des modèles de Machine Learning (SARIMA).
• Amélioration du monitoring proactif et de l'optimisation budgétaire grâce à cet outil prédictif.
• Évaluation et sélection de modèles prédictifs robustes à partir de données historiques.
• Atteinte d'un taux d'erreur SMAPE inférieur à 15 % sur les prévisions.
• Déploiement du modèle de prévision via une API REST pour faciliter son utilisation.
• Création d'une interface de visualisation pour exposer les données et l'accès aux prévisions aux équipes métier.
• Contribution à l'optimisation des performances et des coûts des traitements Data sur des infrastructures Cloud (GCP, AWS, BigQuery).
• Intégration de concepts de FinOps et de qualité des données dans les travaux.

Participation au sein de Thales Cyber and Digital en tant que stagiaire ingénieur Data et Python pour travailler sur l'automatisation et l'analyse des métriques Cloud.

• Automatisation de l'ingestion et de l'exportation des métriques CPU des instances EC2 AWS au format CSV.
• Optimisation de l'intégration de données complexes issues de fichiers et d'API ainsi que de l'analyse des performances.
• Réalisation d'analyses de données approfondies pour identifier des opportunités d'optimisation des coûts (FinOps).
• Contribution à une gestion plus efficace des ressources Cloud.
• Collaboration au sein d'une équipe Agile pour le développement itératif, l'industrialisation et la livraison continue.
• Intégration des bonnes pratiques de développement et de monitoring.

Travaux de recherche menés en Master of Science à l'université Gazi d'Ankara, en Turquie, centrés sur le développement de modèles de Deep Learning.

• Développement de modèles de Deep Learning pour la classification de données audio, notamment des sons respiratoires anormaux.
• Atteinte d'une précision de 97 % sur la classification des données audio.
• Utilisation de techniques de Transfer Learning et de Data Augmentation pour optimiser la performance et la robustesse des modèles.
• Travail sur des données complexes pour améliorer la fiabilité des résultats.
• Rédaction et publication d'un article scientifique démontrant des compétences en recherche, documentation et communication scientifique.