Benoît Paris

Ingénieur Machine Learning

Moves to Paris, Paris

  • 48.85661400000001
  • 2.3522219000000177
Propose a project The project will only begin when you accept Benoît's quote.
Propose a project The project will only begin when you accept Benoît's quote.

Location and geographical scope

Location
Paris, France
Can work in your office at
  • Paris and 50km around
  • Paris and 10km around

Preferences

Project length
Would prefer avoiding:
≤ 1 week
Company size
  • 11 - 49 people
  • 50 - 249 people
  • 250 - 999 people
  • 1000 - 4999 people
  • ≥ 5000 people

Verifications

  • Verified email

Languages

Categories

Skills (26)

Benoît in a few words

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

Portfolio

Portfolio only available to registered users

Experience

Participation à l'Explainable Machine Learning Challenge

Software Publisher

Concours supervisé par Google, FICO, et sous l’égide de la conférence NIPS

July 2018 - August 2018

Site du challenge: http://explainable.ml

• 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-challenge

Technologies : Scikit-Learn, Python, t-SNE, Lasso, Jupyter

Benoit Paris Consulting

Consulting & Auditing

Ingénieur Machine Learning

Paris, France

June 2017 - Today

  • 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 Consulting

Consulting & Auditing

Ingénieur Data Management

December 2012 - Today

  • 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

OmniFriend

E-commerce

Fondateur

Paris, France

January 2011 - November 2012

External recommendations

Check out Benoît's recommendations

Education