Agnès Regaud

Le challenge : D'une approche fragmentée et partiellement manuelle à une R&D automatisée, innovante et compétitive grâce aux modèles ML et aux outils d'analyse avancés. Ma mission : moderniser les outils d'analyse et exploiter les données existantes afin de fiabiliser les étapes de sélection variétale, accélérer la R&D, automatiser les processus et innover dans la création variétale, en cohérence avec les enjeux métier. Je suis intervenue sur 5 aspects : 1️⃣ Identification et optimisation de modèles ML/DL plus performants sur données NIRS multi-traits, pour améliorer la prédiction de la composition du maïs et sécuriser la sélection de meilleures variétés 2️⃣ Mise en place d’un système automatisé d’extraction de données depuis des PDF (RAG +LLM) pour gagner du temps et améliorer la productivité R&D ; 3️⃣ Développement d’un modèle RandomForest pour classifier les données génotypiques de tournesol et fiabiliser la création de variétés qualitatives ; 4️⃣ Test et évaluation d’un modèle Transformer innovant spécialisé sur des données génomiques pour identifier les gènes d’intérêt et améliorer les méthodes de sélection variétale 5️⃣ Détection et segmentation d’objets sur images (épis et grains de maïs), avec industrialisation sur AWS, pour fiabiliser et accélérer les calculs de rendement et de productivité Résultats : ✅ Réduction de 18 % de l’erreur moyenne sur les modèles NIRS, améliorant la fiabilité des décisions sur la sélection variétale ; ✅ Automatisation des extractions PDF, générant un gain de productivité significatif pour la R&D ; ✅ Classification RandomForest et analyse des données génotypiques, optimisant la description de la diversité génétique et la création de nouvelles variétés ; ✅ Accélération et fiabilisation des calculs de rendement et de productivité grâce à la Computer Vision; ✅ Contribution globale à une R&D plus rapide, plus fiable et compétitive, renforçant la confiance des clients et la capacité à innover face à la concurrence.

En formation avec Openclassrooms. Machine Learning | Data Science | Computer Vision • 7 projets appliqués sur des cas métier (banque, retail, énergie, santé) validés en soutenance • ML & DL en Python , Mise en production/ MLOps : API, dashboards, AWS, PySpark --> Python, Deep Learning, NLP, CNN, scikit-learn, TensorFlow, AWS, Streamlit, Flask

Mon expérience de direction me permet d'appréhender un projet ML non seulement sur le plan technique, mais aussi sous l'angle budgétaire, organisationnel et politique : – Management de projets complexes: Pilotage de la politique pédagogique et coordination d'équipes pluridisciplinaires ; – Gestion de l'innovation: Mise en œuvre de solutions numériques et optimisation des ressources matérielles/budgétaires ; – Management RH: Direction d'équipes pluridisciplinaires, gestion des conflits et conduite du changement; – Pilotage stratégique : Organisation et continuité de service: planification RH, gestion des imprévus et pilotage de la communication, Mise en œuvre de la politique pédagogique, Construction et gestion du budget sous contrat d'objectifs avec la collectivité territoriale de rattachement en respectant 7 principes fondamentaux dont l'équilibre et la sincérité.

Mon expérience dans l'enseignement des mathématiques me permet de mobiliser dans chaque projet ML de fortes capacités d'analyse et de résolution de problèmes, de structurer des besoins métier en solutions opérationnelles et de communiquer efficacement avec les parties prenantes techniques et les décideurs. – Ingénierie pédagogique : Enseignement des mathématiques et de l'algorithmique (Python), vulgarisation de concepts abstraits ; – Administration système : Gestionnaire réseau et référente numérique : maintenance de l'infrastructure, sécurité des données et déploiement d'outils digitaux.