Clément Bazin

Missionné en tant qu’expert Data Science et Data Engineering, pour concevoir, développer et intégrer à sa plateforme interne un module d’analyse de projet offrant aux managers une vision prédictive et centralisée de leurs KPI afin d’anticiper les risques de retards et de dépassements budgétaires.

Expert en Data Science et Data Engineering, avec une composante développement web. Intervention en tant que spécialiste transverse entre les équipes data et les développeurs applicatifs.

Détails du projet et responsabilités :

• Data Engineering :

◦ Développement de pipelines de données (SQL, GraphQL) pour automatiser la collecte, le traitement et l’actualisation des informations projet.

◦ Gestion et transformation des données pour les rendre exploitables en temps réel dans l’application.

• Développement Web et visualisation :

◦ Conception et intégration des graphiques interactifs directement dans la plateforme grâce à Vue.js, Node.js et Java.

◦ Développement d’outils de visualisation sur mesure pour les KPI (performance, coûts, avancement, risques).

• Développement d’algorithmes et de modèles :

◦ Conception de modules de prédiction (retards, dépassements de coûts) via des modèles de machine learning et de clustering.

◦ Développement de scripts Python pour l’analyse, l’automatisation et l’intégration directe dans le back-end web.

◦ Mise en production des modèles.

• Projet réalisé en méthode agile dans une équipe de 10 personnes:

◦ Estimation des coûts et de temps de développement.

◦ Travail hybride avec des développeurs web.

Impact :

• Mise en place d’une solution intégrée directement dans les outils internes d’Airbus.

• Réduction du temps nécessaire à l’analyse des projets grâce à une visualisation centralisée et interactive.

• Meilleure anticipation des risques projets via les modules prédictifs développés.

Dans le cadre de l’optimisation des moteurs chez Stellantis, le projet visait à réduire les émissions polluantes tout en améliorant les performances moteur ; intégré à une équipe Agile, j’ai contribué à la mise en place de pipelines de données automatisés, à l’analyse statistique, au développement de modèles de Machine Learning et à la création de dashboards interactifs pour le suivi des KPI et le contrôle des machines de mesure, afin d’industrialiser l’analyse et l’exploitation des données moteur.

Double mission de Data Scientist (modélisation statistique, machine learning) et de Data Engineer (mise en place de pipelines, automatisation, intégration cloud):

Détails du projet et responsabilités :

◦ Centralisation de données hétérogènes : bases Excel, fichiers issus des bancs de mesure, données issues de sites et bases internes.

◦ Mise en place d’une infrastructure Data Warehouse Snowflake pour le stockage et l’exploitation des données.

◦ Développement de pipelines ELT automatisés avec Airflow

◦ Création de tableaux de bord interactifs sous Power BI

Analyses statistiques et machine learning :

◦ Prétraitement avancé : méthodes de corrélation, ANOVA pour la sélection des variables pertinentes.

◦ Développement et comparaison de plusieurs modèles :

▪ Régressions linéaires (quadratiques, cubiques, polynomiales) et non linéaires.

▪ Random Forest, XGBoost, réseaux de neurones, méthodes de krigeage.

▪ Optimisation par gridding et validation croisée pour obtenir le modèle le plus robuste.

◦ Construction d’outils prédictifs pour modéliser la relation entre paramètres moteurs, consommation et émissions.

• Optimisation multi-objectif :

◦ Ajustement des paramètres d’entrée moteur via fmincon, gradient descent et multi-objective gradient descent.

◦ Analyse des résultats avec représentations Pareto

◦ Encadrement d’une équipe dans un contexte Agile (Scrum).

Dans le cadre de l’étude de la durabilité et de la fatigue des composants mécaniques chez Stellantis, j’ai participé au développement d’algorithmes d’interpolation et d’analyse statistique permettant de repositionner et valider les données issues de simulations par éléments finis (Abaqus), afin de fournir des résultats fiables et exploitables pour optimiser la conception des composants.

Ingénieur en analyse numérique, spécialisé dans le développement d’outils mathématiques et statistiques pour le traitement et l’exploitation de grands ensembles de données issus de simulations par éléments finis.

Responsabilités et solutions mises en œuvre :

• Traitement de volumes importants de données issus de calculs Abaqus (contraintes, déformations, etc.), dont les points de calcul ne correspondaient pas aux emplacements requis pour l’analyse de fatigue.

• Développement d’algorithmes d’interpolation numérique permettant de repositionner les valeurs calculées sur les points souhaités.

• Application de méthodes statistiques pour corriger et valider les interpolations, assurant ainsi la fiabilité des résultats.

• Automatisation des traitements via Python, afin de gérer efficacement les jeux de données massifs et de rendre le processus reproductible.

Impact :

• Mise à disposition d’une méthodologie robuste et reproductible permettant aux ingénieurs mécaniques d’exploiter pleinement les résultats des simulations.

• Amélioration significative de la précision, de la pertinence et de la qualité des données utilisées pour l’analyse de la fatigue des composants.