Arthur Lauga

Lancement d'un Datalake chez Tiime: pilotage stratégique du projet, établissement de la roadmap et des priorités. Internalisation totale des flux de Change Data Capture (CDC) en industrialisation via Flink+Kafka; exposition de la donnée sur S3+Databricks

Amélioration de la pipeline de traitements de documents OCR: benchmark de nouvelles solutions AI / LLM, analyses de coût bénéfices/risques. Dépenses divisées par 3 suite aux différentes itérations.

Généralisation de l'algorithme de matching à tout type de documents traités par Tiime; >90% de la cible traité automatiquement, contre 50% avant.

• Conception et déploiement d'un algorithme de prédiction hybride, produisant de la catégorisation comptable et détectant le tiers présent dans le libellé bancaire:

- Réduction de 30% du taux d'erreur

- A permis à Tiime de diversifier fortement sa cible de cabinets comptables en exposant une solution beaucoup plus flexible. Nombre de dossiers gérés en plus ~ 150k (vs 40k avant)

• Conception et mise en prod d'un algorithme de matching de facture (Tiime Invoice) avec la transaction de paiement correspondante. Automatise >80% des factures concernées.

• Travail sur la stabilité des modèles de Deep Learning sur une population de prod changeante

• Modélisation de l'annotation de transaction bancaire (numéro de compte, tva):

- Deep Learning, Random Forest et Nearest Neighbor dans une pipeline unifiée

- Données d'entraînement très bruitées et de sources hétérogènes

- Travail étroit de feature engineering avec les experts métiers

• Développement d'un algorithme de détection de paiement récurrents non supervisé

• Travail sur la robustesse des modèles en production via du Monte-Carlo Sampling.• Modélisation de l'annotation de transaction bancaire (numéro de compte, tva): - Deep Learning, Random Forest et Nearest Neighbor dans une pipeline unifiée - Données d'entraînement très bruitées et de sources hétérogènes - Travail étroit de feature engineering avec les experts métiers • Développement d'un algorithme de détection de paiement récurrents non supervisé • Travail sur la robustesse des modèles en production via du Monte-Carlo Sampling.