About Benoît
Ingénieur de formation, spécialiste en Machine Learning Explicable; je vous accompagne dans l'extraction d'information pertinente sur vos données, tout en détaillant les raisonnements déployés par les algorithmes.
Pourquoi le Machine Learning Explicable (MLE) plutôt que le simple Machine Learning (ML)?
En ML, lorsqu'on demande une prédiction, on a un score entre 0 et 1 pour une appétence à un événement; typiquement une probabilité achat. Ce nombre reste opaque. En plongeant dans les paramètres internes du modèle on peut extraire une illustration de l'intelligence déployée par l'algorithme, et en alimenter le métier. C'est l'objet du MLE.
Le MLE apporte en plus du ML:
- Direction, Stratégie: une cartographie data-driven, fine, et exhaustive des segments clients; l'ouverture de marchés qui passent sous le signal;
- Data scientists: un debug plus rapide, un focus sur l'explication
- Marketing, Vente: messages plus finement adaptés aux clients
- Ethique, Audits: connaitre les biais cachés dans les data
- Pour l'entreprise: data-driven v2.0: Culture du signal pertinent, en liant le CA réalisé au pouvoir de renseignement d'une information individuelle
Cet ensemble de techniques, aussi appelée eXplainable Artificial Intelligence (XAI) est un sujet bourgeonnant en ce moment. L'agence américaine DARPA a un programme sur ce thème ("Explainable Artificial Intelligence" - darpa.mil/program/explainable-artificial-intelligence). La mission Villani y a consacré un chapitre entier (06 "Ouvrir les boites noires de l'IA").
Missions:
- Vous souhaitez valoriser vos données, je vous aide à mettre en place un pipeline prédictif
- Vous avez un pipeline ML existant, je vous aide à extraire le raisonnement déployé par vos algorithmes
Technologies:
- RuleFit, Random Forest, Word2Vec, PCA, ALS, t-SNE, LSH, ROC
- Scikit-LearnSpark, Weka, Databricks, BigQuery, Hive
- Postgres, MySQL, Oracle
- AWS, Linux, Maven, Git
- Python, Java, Scala, CAML, Elm
- Spring, Primefaces, d3.js
English
Native or bilingual
Chinese
Basic
Spanish
Conversational
Can work on-site
Paris (up to 10km)
Experience
- Participation à l'Explainable Machine Learning ChallengeConcours supervisé par Google, FICO, et sous l’égide de la conférence NIPSSOFTWARE PUBLISHINGJuly 2018 - August 2018 (2 months)Site du challenge:• Amélioration d’un algorithme standard (RuleFit) pour rendre ses explications plus succinctes• Création d’une carte intuitive, explicative des modes de décision• Disponible en open-source: https://github.com/benoitparis/explainable-challengeTechnologies : Scikit-Learn, Python, t-SNE, Lasso, Jupyter
- Benoit Paris ConsultingIngénieur Machine LearningCONSULTING AND AUDITSJune 2017 - Today (9 years)Paris, France
- Pipeline de marketing prédictif, évaluation des prédictions
- Solution d'explication de modèle prédictif (Algorithme propriétaire - Spark)
- Proof of Concept: Listage d'analogies de vecteurs par indexation en hautes dimensions
- Clémence ConsultingIngénieur Data ManagementCONSULTING AND AUDITSDecember 2012 - December 2022 (10 years)
- Architecture batch pour campagnes marketing multicanal, outils d'administration et de back office, BI
- Administration BDD, data quality, analyses, recollements, enrichissements, datamining, flux de données
Recommendations
Be the first to recommend Benoît
Help this freelancer shine by sharing your experience working together.
These freelancer profiles also match your criteria
Agatha Frydrych
Backend Java Software Engineer
4.7
(3)
2
Baptiste Duhen
Fullstack developer
4.6
(4)
5
Amed Hamou
Senior Lead Developer
4
(2)
7
Audrey Champion
Web developer
4.3
(3)
4
Education
- Diplôme d'ingénieur - Informatique de gestion & e-CommerceEcole Centrale de Lille2010