Karim B.

Au sein du Datalab EDF pour la Production, je réalise des cas d'usage opérationnels pour répondre aux besoins des producteurs d'énergie (nucléaire, hydraulique, éolien, etc) à la fois en France et à l'international.

J'ai pu délivrer de nombreuses solutions IA notamment:

-Pour les équipes d'exploitation & de maintenance (Fililale EDF Renouvelables USA- parc solaire):

Création d'une application de maintenance prédictive sur des onduleurs en centrales solaire, à partir des données de capteurs et de l'historique des défaillances et des actions de maintenance. Cette solution IA dynamique a été créée de bout en bout sur le cloud AWS avec mise à jour automatique et quotidienne du flux de données et ré-entraînement automatique du modèle sur détection de nouvelles pannes historisées.

Environnement: Python, Cloud Amazon AWS, Machine Learning, Deep Learning, Dash, Git, CI/CD, Docker.

-Pour la filiale EDF Renouvelables USA - parc éolien:

Création d'une pipeline de prédiction des pertes de production des turbines en cas de défaillance, uniquement à partir des données météo et caractéristiques des turbines (coordonnées GPS et autre caractéristiques). Cette solution a été déployée sur le cloud Amazon AWS et a apporté des 1ers gains financiers estimés à environ 200k€.

Environnement: Python, Cloud Amazon AWS, Machine Learning, Git, CI/CD, Docker.

-Pour l'ingénierie du parc nucléaire:

Création d'une application WEB avec moteur de similarité entre projets d'ingénierie basée sur leurs caractéristiques techniques, ainsi que des modules d'analytics avancée.

Environnement: Pyspark, SQL, Python, Machine Learning, Dash, Git, CI/CD, Hadoop, Docker, Airflow

-Pour l'ingénierie du parc nucléaire:

Création d'un workflow automatisé permettant de définir la stratégie de maintenance du système de refroidissement du circuit primaire.

Environnement: Python, Airflow, Git, Docker.

-Pour l'ingénierie du nouveau nucléaire (projet HPC):

Etude de démonstration de la non-nécessité de réalisation d'essais physiques sur certains types de vannes pour la qualification matérielle permettant un gain de temps et un gain financier conséquents.

Cette étude a été réalisée en calculant de taux de défaillance suite à la collecte et le processing de larges quantités de données provenant de sources diverses (Oracle, HDFS, etc) et a abouti à la rédaction d'un rapport d'étude.

Environnement: Pyspark, SQL, Analytics avancée, Git, Hadoop.

Développement de modèles de Machine Learning et de Deep Learning pour identifier et prévenir les incidents réseaux en data centers EDF

Pilotage de projets SI pour la branche nucléaire en lien avec les besoin de la production nucléaire et en charge de:

-Traduire les besoins métier aux équipes data et définir une roadmap.

-Définir les indicateurs de performance des solutions à développer.

-Piloter l'avancement des cas d'usage et prioriser les besoins métier.

-Garantir la performance, disponibilité et maintenabilité des solutions développées en lien avec les équipes data.