Nassim Lamara

- Etude et traitement de données pour mieux comprendre le coté fonctionnel et mettre à disposition une donnée qui soit exploitable.

- Benchmarker les approches d’entrainement pour trouver ce qui convient le plus par rapport à notre contexte et nos datasets

- Entrainer et tester un modèle NLP avec Spacy afin de classifier certains mots dans leur contexte

- Création des scriptes Python pour labéliser les textes d’entrainement du modèle NLP automatiquement

- Entrainer et tester un modèle de prédiction des scores à partir des outputs du modèle NLP

- Création des pipelines d’entrainement automatique des modèles de ML (NLP + scikit-learn) sur AWS (SageMaker) et Snowflake (Snowpark) afin de faire un benchmarking sur les couts et les performances des deux technologies

- Création des Endpoints pour les modèles ML avec Flask afin de les appeler avec des fonctions Lambda

- Modéliser et structurer un modèle de données (JSON) pour la sortie du pipeline ML qui sera consommer ensuite par le Back-end et le Dashboard de l’application.

- Déploiement des modèles sur le serveur local de Finaxys

- Maintenance et amélioration des modèles afin d’avoir une meilleur accurecy.

- Compréhension du coté fonctionnel du projet (source de données, relations entre les données et mapping de données)

- Intégration des données brutes sur Snowflake d’une manière automatique et paramétrable à partir de plusieurs sources de données et plusieurs formats (structurées et semi-structurées) avec des scripts python

- Modélisation d’un modèle de données à partir des données brutes qui soit exploitable

- Transformation des données brutes afin d’alimenter notre modèle de données avec DBT en utilisant des scripts SQL

- Création d’une data application avec Python en utilisant le framwork Strealmit pour l’exposition et la consommation de données.

- Déploiement et évolution de la data application sur Streamlit-Cloud