Ingénieur en Data Science et IA

Intégration de l'équipe R&D (10 ingénieurs-chercheurs) d'EDF afin de travailler sur la modélisation Metocean et l'optimisation de la maintenance offshore.

• Conception et optimisation de modèles génératifs avancés (VAE, GAN, Diffusion) pour simuler des séries temporelles Metocean (vitesse du vent, hauteur des vagues) afin d'anticiper les conditions critiques pour la maintenance offshore.
• Mise en place d'une pipeline complète de traitement des données.
• Définition de métriques d'évaluation spécifiques pour mesurer la cohérence temporelle, la variabilité et la représentation des événements extrêmes.
• Optimisation des hyperparamètres avec NOMAD pour améliorer la qualité des scénarios générés et renforcer la pertinence des outils d'aide à la décision pour la gestion des actifs.

Intégration de l'équipe Modélisation (7 Data Scientists) du Crédit Agricole Personal Finance and Mobility pour participer à deux projets stratégiques en collaboration directe avec les équipes métier (Fraude, Contentieux).

• Développement d'un modèle de Deep Learning sous PyTorch pour la détection de fraudes sur les cartes d'identité.
• Réalisation du traitement des images via OpenCV (redimensionnement, normalisation, extraction de caractéristiques).
• Déploiement du modèle via FastAPI et Docker pour une intégration dans les systèmes de lutte contre la fraude.
• Mise en place d'un pipeline ETL pour automatiser le traitement des données liées aux dossiers de recouvrement.
• Réalisation d'une modélisation prédictive avec XGBoost pour classifier les dossiers à traiter en interne ou à externaliser.
• Menée d'analyses Python et assurance de l'interprétabilité des résultats via SHAP.
• Création d'un dashboard automatisé pour visualiser les performances et fournir des insights stratégiques aux équipes métier.

Intégration de l'équipe Data (4 profils) de Decathlon en collaboration régulière avec les équipes Supply Chain et E-commerce.

• Réalisation de l'extraction, du nettoyage et de l'ingestion de données produit à grande volumétrie depuis des data lakes (Amazon S3) et data warehouses (Redshift) avec SQL et Python.
• Conception et automatisation de pipelines ETL robustes pour alimenter les dashboards en temps réel.
• Optimisation des jointures complexes et des performances de requêtes.
• Développement d'un modèle de simulation prix-ventes pour optimiser la stratégie commerciale.
• Formation des équipes métier pour l'utilisation et la validation des résultats.
• Déploiement d'un dashboard interactif automatisé sous Looker Studio, connecté à des flux de données en temps réel.