Arnaud Fouchet

– Utilisation d'agents, RAG, few-shot learner et transfer learning sur des cas concrets – Explication des modèles, de leur fonctionnement, de leurs entraînements – Pipeline de déploiement du ML – Bonnes pratiques pour la gestion d'un projet ML

LLM for efficiency : Un programme d'IA agentique où nous avions identifié plusieurs applications qui économiseraient beaucoup de temps aux employés. Nous avons travaillé sur des cas concret, où le ROI de l'IA a été démontré par nos POCs, puis mis en production nos applications. Exemples d'application: - "Talk to Your Data": Un chatbot pour faire les analyses chiffrées. Le point clé pour l'adoption de cette application a été de rendre vérifiable les analyses du bot. Pour cela, l'IA fournit des requêtes pour avoir la donnée brute, et reproduire l'analyse - "Data Reconciliation" : Diverses sources de données pouvaient nommer le même produit de façons différentes. Nous utilisons des LLMs pour faire la reconciliation. Ici, le point clé était une bonne visualisation des réconciliations proposée. L'IA n'étant pas 100% fiable sur ce sujet (sur certains cas, de façon très compréhensible), il fallait une revue humaine. Il fallait une interface simple, agréable, avec une utilisation rapide et facile. - "Data Cleaning" : dans une base de données, les adresses n'étaient pas normalisées. Pour unifier tout ça, nous avons construit une IA agentique qui utilisait Google Maps pour avoir des adresses sûres et structurées. Marketing mix model : en croisant les données de ventes et de marketing, Pernod Ricard voulait optimiser ses campagnes publicitaires. Dans cette mission, il fallait être pédagogue, et bien expliquer les résultats du modèle. Ensuite, j'ai participé à la refonte du modèle, en utilisant d'autres formulations mathématiques. Ceci a été un projet très avancé techniquement. Enfin, en side-project, j'ai développé une IA de prévision de la demande (pour la gestion des stocks). Avec les résultats de mon POC, Pernod Ricard a décidé de lancer tout un projet avec une équipe de 11 personnes sur le sujet.

– Etude de marché – Développement application (React-Native) – Développement serveur (Python, Django, Redis, OVH)

– J'ai développé un site d'exercices de poker, où un joueur peut comparer ses décisions aux décisions optimales (solutions optimales obtenues par un solver). – Je n'ai pas trouvé de product-market fit : le site était trop compliqué pour des joueurs amateurs, et pas assez personnalisable pour des joueurs pro. – J'ai développé le front (React) et le back (Python, Django, PostgreSQL, Redis). – Ce projet contenait de nombreuses contraintes techniques : résoudre un "flop" de poker prend plus d'une heure sur un calculateur et la solution pèse ~5Go. – Stocker tous les flops nécessiteraient des peta-octets de mémoire, ce qui était un coût trop élevé. J'ai développé une méthode où je stockais une fraction de la solution complète (~5Mo) et pouvait retrouver la décision optimale dans tous les cas en un temps raisonnable (< 2 secondes)

– Pricing optimization – A pricing method was developped and tested for low-sellers – Analysis of pricing for best-sellers.

– Pricing of financial options on equity or hybrid asset – Cost calculation – Engineering of options for clients' objectives – Development of pricing tools in Excel/VBA/MySQL