Description

Data Scientist Senior | Docteur en informatique | Ingénieur R&D en Intelligence Artificielle

Data Scientist Senior et ingénieur R&D spécialisé en intelligence artificielle, modélisation statistique et optimisation, j'accompagne les entreprises dans la conception de solutions innovantes pour répondre à des problématiques industrielles complexes. J'interviens sur l'ensemble de la chaîne de valeur, de la conception des algorithmes jusqu'au déploiement en production.

Mes domaines d'expertise couvrent le machine learning, l'apprentissage par renforcement, les séries temporelles, la vision par ordinateur ainsi que l'optimisation et les systèmes d'aide à la décision, avec un fort accent sur la création de solutions à fort impact opérationnel.

J'interviens notamment sur :

*Conseil et accompagnement IA

: audit de besoins, identification de solutions basées sur l'état de l'art de l'intelligence artificielle, définition de stratégies de collecte de données et conception de plans d'expériences.

*Développement de solutions d'IA

: conception de modèles prédictifs, d'algorithmes d'optimisation et de systèmes d'aide à la décision pour des applications industrielles.

*Formation et transmission

: accompagnement de Data Scientists juniors, encadrement de doctorants CIFRE et animation de formations techniques.

*Vulgarisation scientifique

: présentation des technologies d'IA et de leurs applications industrielles, notamment pour l'analyse de simulations massives, l'optimisation des procédés et l'aide à la décision.

Languages

French
Native or bilingual

Workplace preferences

Can work on-site

Massy (up to 50km)

LNE, CGI, KONTRON
Data scientist senior
June 2023 - April 2025 (1 year and 10 months)
Montigny-le-Bretonneux, France
Pilotage d’une campagne d’annotation à grande échelle pour un dataset de classification d’images
Évaluation de la robustesse de modèles CNN via des attaques adversariales (FGSM,PGD, CW)
Optimisation des performances de modèles de classifi cation d’images
Développement de modèles prédictifs pour des cas d’usage métier (Business France)
Detection d'anomalie pour le cas d'usage production GSM R
Stack
Python, computer vision, Pytorch,Detection d'anomalie, traitement d'image
Python, computer vision, Pytorch,Detection d'anomalie, traitement d'image modelisation time series
yélé consulting
data scientist senior
CONSULTING AND AUDITS
September 2022 - May 2023 (8 months)
Nanterre, France
-Conception d’un système de pilotage de réseau électrique basé sur l’apprentissage parrenforcement.
-Conception d’outils basés sur le NLP pour l’amélioration de la qualité d’une base dedonnées classification de docuement F1 score de 90%.
-Conception de modèles prédictifs pour la prédiction des raccords électriques casd’usage Enedis
Stack :
Python, Pytorch, pandas, SQL,DQN , modélisation statistique , séries
Python, Pytorch, pandas, SQL,DQN , modélisation statistique , séries
LNE, CGI, KONTRON, Yélé consulting Trappes, La Défense
Computer vision et Data scientist
May 2022 - December 2025 (3 years and 7 months)
Pilotage d'une campagne d'annotation à grande échelle pour un dataset de classification d'images Évaluation de la robustesse de modèles CNN via des attaques adversariales (FGSM, PGD, CW) accuracy après attaque 60% Optimisation des performances de modèles de classification d'images accuracy 95% Développement d'un modèle prédictif pour la prévision des investissements futurs en France (Business France) MAE : ~80 à 120 projets/an MAPE : 10% – 15% R² : 0.75 – 0.85 Detection d'anomalie pour le cas d'usage recepteur GSM R Conception d'un système de pilotage de réseau électrique basé sur l'apprentissage par renforcement sur un ensemble de 200 scénarios de panne, le système était capable de proposer une stratégie de résolution efficace dans près de 90 % des cas. Conception d'outils basés sur le NLP pour l'amélioration de la qualité de la base de données client (enedis) classifcation de documents clients F1 score de 90% Conception de modèles prédictifs pour la prédiction des raccords électriques cas d'usage Enedis : MAE : 12 raccordements en erreur absolue moyenne par zone et par mois ; RMSE : 18 raccordements, permettant de capter les variations plus fortes sur certaines zones à forte activité ; MAPE : 8,7 %, soit une amélioration d'environ 22 % par rapport au modèle de référence historiquement utilisé. Stack : Python, Pytorch, pandas, SQL,DQN , modélisation statistique , séries temporelles , Deep Reinforcement learning , gradient boost , random forest , DQN , actor-critic , reinforce
computer vision,Detection d'anomalie, traitement d'image