Arnaud Fouchet

LLM for efficiency : Un programme d'IA agentique où nous avions identifié plusieurs applications qui économiseraient beaucoup de temps aux employés.

Nous avons travaillé sur des cas concret, où le ROI de l'IA a été démontré par nos POCs, puis mis en production nos applications.

Exemples d'application:

- "Talk to Your Data": Un chatbot pour faire les analyses chiffrées. Le point clé pour l'adoption de cette application a été de rendre vérifiable les analyses du bot. Pour cela, l'IA fournit des requêtes pour avoir la donnée brute, et reproduire l'analyse

- "Data Reconciliation" : Diverses sources de données pouvaient nommer le même produit de façons différentes. Nous utilisons des LLMs pour faire la reconciliation. Ici, le point clé était une bonne visualisation des réconciliations proposée. L'IA n'étant pas 100% fiable sur ce sujet (sur certains cas, de façon très compréhensible), il fallait une revue humaine. Il fallait une interface simple, agréable, avec une utilisation rapide et facile.

- "Data Cleaning" : dans une base de données, les adresses n'étaient pas normalisées. Pour unifier tout ça, nous avons construit une IA agentique qui utilisait Google Maps pour avoir des adresses sûres et structurées.

Marketing mix model : en croisant les données de ventes et de marketing, Pernod Ricard voulait optimiser ses campagnes publicitaires.

Dans cette mission, il fallait être pédagogue, et bien expliquer les résultats du modèle.

Ensuite, j'ai participé à la refonte du modèle, en utilisant d'autres formulations mathématiques. Ceci a été un projet très avancé techniquement.

Enfin, en side-project, j'ai développé une IA de prévision de la demande (pour la gestion des stocks). Avec les résultats de mon POC, Pernod Ricard a décidé de lancer tout un projet avec une équipe de 11 personnes sur le sujet.

Gestion d'une équipe R&D, créant des algorithmes d'optimisation des campagnes publicitaires en ligne, travaillant notamment sur :

- bidding / pricing : trouver le prix optimal des publicités (machine learning, deep learning)

- sémantique : optimisation du texte des publicités (NLP, Word2Vec)

L'équipe gérait toute la stack (de la conception d'algorithmes jusqu'à la maintenance des serveurs).

J'étais aussi en charge de la communication interne (recueillir les besoins des autres équipes, évangéliser nos solutions) et externe (présentations de vulgarisation devant des clients)

J'ai présenté nos travaux lors d'une conférence python (PyData, "How to beat a Google bidder using machine learning",

)

(Résumé de la présentation: en utilisant plusieurs méthodes, dont le deep learning, transfer learning et le mélange de modèles, nous obtenions un bidder qui était plus profitable pour nous que celui de Google. Celui de Google obtenait plus de volume, mais le nôtre obtenait des conversions pour moins cher et, au global, obtenait plus de marge)

J'élaborais des algorithmes pour l'optimisation de campagnes SEA (publicités en ligne sur les moteurs de recherche, comme Google et Bing) :

- bidding / pricing : algorithmes pour trouver le prix optimal de nos publicités (machine learning, data science, python, mathématiques appliquées, statistiques)

- sémantique : algorithmes pour optimiser le texte des publicités (NLP, Word2Vec)

Je m'occupais de toutes les étapes des projets (veille / état de l'art, élaboration et optimisation d'algorithme, mise en production et maintenance des projets)